1.一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,包括以下步骤:步骤1、采集视频帧,通过预设的跟踪模型,根据初始的视频帧训练边界框回归模型;其中,所述跟踪模型是基于DAMDNet的神经网络模型构建,并已经过预训练和初始化;
步骤2、除去初始的视频帧,利用剩余的视频帧作为跟踪模型输入,得到视频帧的目标边界框以及与目标边界框对应的目标得分;
步骤3、若步骤2得到的目标得分小于预设值,则对所述跟踪模型进行更新;若步骤2得到的目标得分不小于预设值,则使用边界框回归模型调整最优的目标边界框并对所述跟踪模型进行更新。
2.根据权利要求1所述的一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,所述DAMDNet的神经网络模型包括依次顺序连接的输入层、卷积层、领域自适应组件、空间金字塔池化层和全连接层。
3.根据权利要求2所述的一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,*
领域自适应组件的学习目标f为:其中,f(·)为目标函数,即当前帧中xi是目标的概率,B表示样本的数量,xi表示当前视频帧中的第i个候选框,yi是xi的标签,当xi是目标时yi=1,l(·)为损失函数,λ是正则化参数,R(·)是正则化项、即DAMDNet神经网络模型复杂度的度量, 和 分别表示源域和目标域的样本,f为在数据分布空间H上的真实标签函数, 为样本的数据分布空间。
4.根据权利要求2所述的一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,使用图像分类领域数据集ILSVRC对DAMDNet的神经网络模型中卷积层和领域自适应组件进行预训练。
5.根据权利要求2所述的一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,空间金字塔池化层具体如下:
设领域自适应组件的输出特征大小为x*x,x为特征的宽度,则空间金字塔池化层的输入即为x*x,卷积核大小为k,填充为p,步长为s,则空间金字塔池化层的输出特征图xj大小为:
借助点的映射和边的映射两种映射关系,输入不同大小的特征,空间金字塔池化层输出相同大小的候选框,直接输入至全连接层。
6.根据权利要求1所述的一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,步骤3中,最优的目标边界框是指目标得分最高的目标边界框:* i
其中,x为目标得分最高的目标边界框,x指跟踪模型输出得到的视频帧目标边界框,f+ i i
(x)为x的目标得分。
7.根据权利要求1所述的一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,步骤2得到的目标边界框是进行修正得到的,修正是采用深度卷积神经网络的方法,并使用EKF方法修正;具体如下:
步骤2.1、对目标边界框进行映射以实时得到待跟踪目标的运动状态及方向;
步骤2.2、根据待跟踪目标的运动状态及方向进行Canny算法轮廓检测,求解目标边界框像素坐标;
步骤2.3、对目标边缘轮廓像素坐标进行微调,实现无人机在同一平面内跟随目标任意角度移动。
8.根据权利要求7所述的一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,步骤2.1中的映射具体如下:
h(x′)→Hx′,Hj→H,x′=f(x,u)→Fx+u,Fj→F其中,H为交叉熵损失,x′为目标边界框预测像素坐标,→为映射,f(x,u)、h(x′)为非线性函数,u为预测的高斯噪声;Hj为当下修正目标边界框位置矩阵,Fj为预测未来目标边界框位置矩阵,F为目标边界框位置转移矩阵。
9.根据权利要求7所述的一种DAMDNet‑EKF算法的无人机目标跟踪方法,其特征在于,步骤2.1‑2.3的具体过程如下:根据步骤2.1获得的实时的待跟踪目标边界框位置矩阵,对待跟踪目标进行Canny算法轮廓检测,求解第i个目标边界框像素的坐标(xi,yi),则获得目标的图像质心坐标其中,n为像素坐标个数,表示目标边界框像素横坐标的平均值,表示目标边界框像素纵坐标的平均值;
计算目标边界框像素的横坐标的差值 目标边界框像素的纵坐标的差值无人机进行如下的控制:
其中,a,b为微调系数,a>0,b>0,xmax、ymax分别为目标边界框像素的横坐标、纵坐标的最大值。