[发明专利]基于时空上下文感知的无人机对地目标实时跟踪方法

说明书

本发明属于图像处理技术领域，涉及一种基于时空上下文感知的无人机对地目标实时跟踪方法。本发明采用感知哈希算法计算目标图像块的“指纹”字符串，利用采用前后帧“指纹”字符串计算目标图像块之间的汉明距离，保留了跟踪效果较好同时图像外观差异较大的滤波器，能够更好的适应无人机对地目标的外观变化；采用基于Hog和颜色特征相关滤波响应的PSR判断跟踪结果的可靠性，能够自适应调整模型的更新系数，有效缓解了模型累计误差带来的不良影响；本发明选取了目标图像块周围四个图像块计算对应的背景相关滤波分类器，同时结合目标相关滤波器对整体滤波器进行更新，充分利用了跟踪目标的时空上下文信息，增强了滤波器的判别能力。

技术领域

本发明属于图像处理技术领域，涉及一种基于时空上下文感知的无人机对地目标实时跟踪方法。

背景技术

随着计算机视觉技术的快速发展，视觉目标跟踪技术在许多领域得到了快速发展，无人机对地目标跟踪成为其最重要的应用之一，无人机高空平台对地目标跟踪在监控巡察、电力管道巡检、监管执法等领域具有十分重要的意义。近年来，国内外许多学者提出了大量的无人机视角对地目标跟踪算法，取得了一定的进展。但是，由于无人机平台对地拍摄的视频一般具有小目标、低分辨率、相似物体干扰和视角变化快等特点，使得设计一个适应无人机高空平台，能够实现鲁棒、快速的对地目标跟踪方法仍然是一项充满挑战性任务。

目前无人机对地目标跟踪技术主要有基于相关滤波的跟踪算法和基于深度学习的跟踪算法。前者将时域的卷积运算变成频域的乘法运算，降低了计算量，提升了跟踪算法的速度。后者利用卷积神经网络提取目标深度特征，提升了跟踪算法的精度。

湖南华诺星空电子技术有限公司在其申请的专利文献“基于KCF的无人机跟踪方法”（专利申请号2019113815982，公开号CN111179313 A）中公开了一种基于KCF的无人机跟踪方法。该方法基于循环矩阵，将核相关滤波器（KCF）跟踪算法运用到无人机跟踪中，并将目标表征扩展到多通道特征。但是该方法由于仅使用当前帧训练分类器，不能适应无人机对地拍摄目标视角的快速变化，跟踪性能一般。

Chao Ma等人在论文“Robust visual tracking via hierarchicalconvolutional features”(PAMI 2018)中提出在相关滤波的框架下采用卷积神经网络提取目标三个层次的深度特征，提升了相关滤波类跟踪算法的性能。但是由于该算法在提取目标的深度特征时，计算量大，导致跟踪速度慢，不适应无人机平台的计算资源，难以满足实时跟踪需求。

北方工业大学等在其申请的专利文献“一种基于MDnet的无人机遥感目标跟踪方法”（专利申请号2019110530971，公开号CN110807795 A）中公开了一种基于MDnet的无人机遥感目标跟踪方法及装置。该方法基于MDnet神经网络构建跟踪模型，提升了跟踪的鲁棒性，但是该方法使用在线微调网络，导致跟踪速度慢，无法适应无人机对地目标的快速跟踪。

发明内容

本发明针对传统无人机对地目标跟踪中存在的问题提出一种新型的基于时空上下文感知的无人机对地目标实时跟踪方法。

为了达到上述目的，本发明是采用下述的技术方案实现的：

一种基于时空上下文感知的无人机对地目标实时跟踪方法,其特征在于，步骤如下:

步骤1：获取第t帧无人机平台对地摄取的视频图像I_t，以第t-1帧跟踪结果在第t帧上提取目标图像块；

步骤2：提取目标图像块的Hog特征和颜色特征；

步骤3：采用相关滤波算法计算第t帧基于Hog特征和颜色特征的相关滤波响应，响应值最大的位置是跟踪目标的位置；

步骤4：利用第3步得到的相关滤波响应，计算第t帧响应的PSR_t值；

步骤5：PSR_t值大于PSR池中所有值的均值时，提取第t帧跟踪目标所占图像块；