[发明专利]一种小样本训练的动态目标实时跟踪方法及装置

说明书

本申请提供一种小样本训练的动态目标实时跟踪方法及装置，属于机载光电测量技术领域，本发明将动态视觉传感器和RGB相机传感器结合在一起，动态视觉传感器能够适应高动态变化光照，因此能够抵抗空中光照变化带来的跟踪干扰；引入目标跟踪异常判断机制，当判断为目标跟踪异常时，采用目标卡尔曼运动方程的卡尔曼滤波机制对目标预测跟踪，有效解决了跟踪错误问题。本发明的动态目标实时跟踪方法的训练样本少，跟踪效果好，对硬件资源要求低、成本低，可为飞行试验提供有力支撑。

技术领域

本申请属于机载光电测量技术领域，尤其涉及一种小样本训练的动态目标实时跟踪方法及装置。

背景技术

动态目标实时跟踪是飞行试验中安全监控和目标位姿计算的基础。近年来，在飞行试验中得到了大量应用。

目前，动态目标实时跟踪主要有传统图像处理跟踪方法和基于深度学习跟踪方法。传统图像跟踪方法复杂，计算冗余，跟踪效果和速度一般，目前在飞行试验中应用较少；深度学习跟踪方法效果好，但是其需要海量的样本进行训练，对硬件资源要求较高，训练周期又长，导致训练成本很高。对某些飞行试验本身架次少，周期又紧的科目，该类跟踪方法不能够满足飞行试验的要求。另外，一些重点风险科目对跟踪的实时性和稳定性要求也越来高。

因此，对某些飞行试验科目来讲，迫切需要一种训练样本少、跟踪效果好且对硬件资源要求小的方法。

发明内容

为了解决相关技术中目标跟踪时训练样本多、对硬件资源要求高、成本高的问题，本发明提供一种小样本训练的动态目标实时跟踪方法及装置，所述技术方案如下：

第一方面，提供一种小样本训练的动态目标实时跟踪方法，所述方法包括：

基于预设的n个尺度因子生成目标图像对应的n个尺度图像，每个尺度图像对应一个尺度因子，n为3到15之间的任一奇数，目标图像包括点云数据和RGB色彩数据；

采用高斯核函数对n个尺度图像分别进行卷积计算，得到n个值，将该n个值中最大值对应的尺度图像的尺度因子作为跟踪模板的最佳尺度；

采用高斯核函数对第一尺度图像进行卷积计算，得到响应峰值图；第一尺度图像是n个值中最大值对应的尺度图像；

基于响应峰值图得到异常跟踪图像；

确定异常跟踪图像的预测值，并将异常跟踪图像的异常值更改为预测值。

进一步地，在基于预设的n个尺度因子生成目标图像对应的n个尺度图像之前，所述方法还包括：

获取动态视觉传感器的第一目标跟踪图像数据和RGB相机传感器的第二目标跟踪图像数据；

采用SIFT算子将第一目标跟踪图像数据和第二目标跟踪图像数据进行匹配和融合，得到目标图像。

将动态视觉传感器和RGB相机传感器结合在一起，动态视觉传感器能够适应高动态变化光照，因此能够抵抗空中光照变化带来的跟踪干扰。

可选地，基于响应峰值图得到异常跟踪图像，包括：采用数理统计参数对响应峰值图进行数理统计分析，确定异常跟踪图像，数理统计参数包括平均值、标准差。

可选地，采用数理统计参数对响应峰值图进行数理统计分析，确定异常跟踪图像，包括：

将当前帧的响应峰值与当前帧前一段周期内峰值集合的数理统计参数进行比较；

若当前帧的响应峰值C_cur满足C_curμ-λσ时，确定对应的图像为异常跟踪图像，μ为当前帧前一段周期内峰值的平均值，σ为当前帧前一段周期内峰值的标准差；λ取3；

其中，平均值μ，标准差σ的计算公式为：