[发明专利]一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法及装置

权利要求书

1.一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法，其特征在于，搭建具有YOLOv5深度学习模型的嵌入式实时检测跟踪组合框架，包含以下步骤：

S1、通过高精度拍摄设备获取各类无人机回航时的图像数据，利用这些无人机数据构建一个专用于舰载无人机回收航迹检测跟踪模型训练的特有数据集；

S2、对步骤S1采集的数据集进行人工标注，标注数据集中无人机目标对象的像素位置框图，记录下像素框坐标作为训练真值，保存为.txt文件；

S3、以S1和S2构建的特有各类无人机数据集采用特定训练方法进行YOLOv5检测模型的训练；

S4、将权重模型转化为.wts文件，再生成为.engine序列模型文件，将模型与YOLOv5检测算法整体部署于嵌入式图像处理板；

S5、在图像处理板的Linux环境下将YOLOv5检测算法扩展为基于先验检测的非预测式检测-跟踪算法，该改进后的算法仅检测特定目标，可作用于视频流每一帧对特定目标进行跟踪；

S6、将TensorRT模型解析推理加速技术搭建为pytorch框架，建立动态链接库，对载入模型后的检测-跟踪算法进行加速推理；

S7、利用整体集成于pytorch框架下加速的检测-跟踪算法对舰载无人机的回航运动轨迹实时检测跟踪。

2.根据权利要求1所述的一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法，其特征在于，所述步骤S1和S2构建及标注的数据是本发明特别提出的，所有素材均来自于各类舰载无人机。

3.根据权利要求1所述的一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法，其特征在于，所述步骤S3输入数据尺寸为544×544，设置训练参数时采用模型裁剪技术，将神经网络每层神经元个数裁剪至原来的四分之一，将神经网络层数裁剪为原来三分之一，去掉部分在权重更新过程中不起决定性作用的神经元，保证训练出的模型具备较快基准检测速度；针对裁剪过的模型采用新的anchors参数，参数取九个数值，共三行九列，每一行对应一层特征图，从大到小排列，输入经过特征提取模块Backbone以及Head，最后由三层卷积层以及sigmoid激活函数组成预测层对输入数据的目标位置框进行预测；整个训练过程采用交叉熵损失函数，函数具体如下：

该损失函数上半段包含对于boundingbox负责对象的具体网格判断以及坐标预测，而下半段含目标对象的boundingbox置信度预测和不含目标对象的boundingbox置信度预测，并最终进行类别预测，对训练过程调整学习参数，记录交叉熵损失函数及精度变化。

4.根据权利要求1所述的一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法，其特征在于，所述步骤S4将权重模型转化为.wts模型文件，后通过自编脚本直接一步生成为Float 16精度的.engine文件，然后将模型与YOLOv5检测算法整体部署于嵌入式图像处理板进行加速。

5.根据权利要求1所述的一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法，其特征在于，本发明在所述步骤S5对图像处理板Linux环境下的YOLOv5检测算法本身进行了改进，扩展为非预测式的检测-跟踪算法。在检测第一帧对检测过程进行算法约束，对YOLOv5检测算法中的检测信息矩阵进行优化，施加概率判断模型和滞空模型；

然后，以特定目标为先验知识，在后续视频流中固定算法中的矩阵信息，实现对特定目标的跟踪。

6.根据权利要求1所述的一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法，其特征在于，所述步骤S6将原始的TensorRT库迁移到虚拟环境中Python的文件库集和中去，激活TensorRT的python接口，实现将TensorRT模型解析推理加速技术搭建为pytorch框架；进一步建立动态链接库，调用TensorRT对载入engine模型的检测-跟踪算法进行加速推理。