一种无人机的检测跟踪方法、系统与流程

本发明涉及目标检测，具体为一种无人机的检测跟踪方法、系统。

背景技术：

1、近年来，低空经济与无人机技术飞速发展，低成本、小型化、易操控的无人机在军事侦察、公共安全、物流运输等领域广泛应用。低慢小无人机目标在可见光图像中通常呈现目标尺度小、对比度低、纹理特征不明显等特点，加之复杂背景干扰、高速机动、遮挡及短时消失等因素，现有通用算法在该场景下面临严峻挑战。

2、现有无人机探测技术主要包括：雷达探测，对低慢小目标探测精度有限，设备成本高、部署难度大；射频探测，依赖通信链路，对自主飞行或静默目标适应性不足；红外/声学探测：易受环境噪声、距离和分辨率限制。

3、与此同时，现有技术仍存在以下技术缺陷：感受野不足，标准卷积扩大感受野伴随参数量平方级增长，难以在轻量化约束下实现足够的上下文建模能力，无法有效区分无人机与鸟类、风筝等相似干扰物；高频信息丢失，传统最大池化或步长卷积在下采样过程中直接丢弃高频子带信息，而无人机目标的边缘、旋翼等判别性细节恰好集中于高频成分，导致小目标召回率偏低；多尺度融合失效，现有检测头以固定权重处理多尺度特征，在目标尺度分布严重偏向小目标的数据集上，网络无法自适应地放大高分辨率浅层特征的贡献；缺乏几何约束，标准iou仅度量重叠面积，无法区分“沿运动方向的合理偏移”与“垂直方向的错误漂移”，在无人机机动场景下容易产生横向误关联；标准iou对宽高比变化不敏感，当无人机执行俯冲或爬升时，目标投影宽高比变化可达40%以上，此时iou对形状差异的惩罚力度不足。

技术实现思路

1、本发明提供了一种无人机的检测跟踪方法、系统。

2、本发明技术方案如下：

3、一种无人机的检测跟踪方法，包括以下步骤：

4、s1.获取待检测视频帧进行特征提取得到浅层特征，经多组结构重参数化处理与无参下采样交替处理进行特征提取，此过程中，经第二次结构重参数化处理得到第一中间特征，经最后一次结构重参数化处理后进行多尺度感受野增强处理与自注意力处理得到深层特征，通过上采样处理后与深层特征拼接，再经结构重参数化处理得到第二中间特征，经上采样处理后与第一中间特征融合后再经结构重参数化处理得到第三中间特征，经下采样处理后与第二中间特征融合后进行结构重参数化处理得到第四中间特征，经下采样处理与深层特征融合后经结构重参数化处理得到第五中间特征，对第三中间特征、第四中间特征、第五中间特征进行归一化加权融合处理得到检测特征，对检测特征解码与分类筛选，获得输出无人机检测结果置信度；

5、s2.将无人机检测结果置信度划分为高分检测框和低分检测框，通过相机运动补偿得到补偿后的坐标，结合上一帧的最优估计值得到预测无人机运动轨迹，与高分检测框采用融合空间匹配损失和重识别外观特征距离的联合代价矩阵进行第一次关联匹配，未匹配成功的无人机运动轨迹与低分检测框依据空间匹配损失进行第二次关联匹配，所有成功匹配的无人机运动轨迹作为更新后的无人机运动轨迹。

6、进一步，结构重参数化处理，过程如下：

7、一路通过标准卷积，另一路并行执行扩张卷积；两路输出经通道拼接后进行卷积融合，扩张卷积复用标准卷积的权重张量，仅改变采样坐标，整体复杂度不变。

8、进一步，无参下采样，将输入信号分解为多个尺度的子信号，包括低频分量和高频分量。

9、进一步，对第三中间特征、第四中间特征、第五中间特征进行归一化加权融合处理得到检测特征，其中上下文敏感注意力处理过程如下所示：

10、在融合特征上串联通道注意力与空间注意力，通道注意力通过全局平均池化生成通道描述符，再经两层全连接映射为各通道的重要性权重；空间注意力在通道校准后的特征上，沿通道维度分别执行平均池化与最大池化，再经卷积生成空间权重图。

11、进一步，空间匹配损失，通过角度损失、距离损失、形状损失与iou损失的四维加权融合，对检测框与预测框即预测轨迹进行关联。

12、进一步，第一次关联匹配，采用融合空间匹配损失和重识别外观特征距离的联合代价矩阵，通过匈牙利算法进行高分检测框与预测轨迹之间的匹配。

13、进一步，第二次关联匹配，对于首次关联中未成功匹配的轨迹，仅依据空间匹配损失，利用低分检测框度量目标运动连续性。

14、进一步，结构重参数化处理，对于高度宽度的无人机目标捕获的上下文信息量，过程如下：

15、

16、其中，为上下文信息；为像素坐标；为位置处的权重系数；为位置处的特征值；为扩张卷积覆盖的邻域；为中心像素坐标即当前正在处理的点；表示卷积核的基础尺寸参数；为膨胀率控制邻域的膨胀倍数。

17、一种无人机的检测跟踪系统，包括以下内容：

18、重参数化检测模块，获取待检测视频帧进行特征提取得到浅层特征，经多组结构重参数化处理与无参下采样交替处理进行特征提取，此过程中，经第二次结构重参数化处理得到第一中间特征，经最后一次结构重参数化处理后进行多尺度感受野增强处理与自注意力处理得到深层特征，通过上采样处理后与深层特征拼接，再经结构重参数化处理得到第二中间特征，经上采样处理后与第一中间特征融合后再经结构重参数化处理得到第三中间特征，经下采样处理后与第二中间特征融合后进行结构重参数化处理得到第四中间特征，经下采样处理与深层特征融合后经结构重参数化处理得到第五中间特征，对第三中间特征、第四中间特征、第五中间特征进行归一化加权融合处理得到检测特征，对检测特征解码与分类筛选，获得输出无人机检测结果置信度；

19、分级关联跟踪模块，将无人机检测结果置信度划分为高分检测框和低分检测框，通过相机运动补偿得到补偿后的坐标，结合上一帧的最优估计值得到预测无人机运动轨迹，与高分检测框采用融合空间匹配损失和重识别外观特征距离的联合代价矩阵进行第一次关联匹配，未匹配成功的无人机运动轨迹与低分检测框依据空间匹配损失进行第二次关联匹配，所有成功匹配的无人机运动轨作为更新后的无人机运动轨迹。

20、进一步，重参数化检测模块包含结构重参数化处理模块，一路通过标准卷积，另一路并行执行扩张卷积；两路输出经通道拼接后进行卷积融合，扩张卷积复用标准卷积的权重张量，仅改变采样坐标，整体复杂度不变。

21、本发明的有益效果在于：

22、1.本发明采用扩张-残差双分支互补架构，扩张支路捕获大尺度语义上下文，残差支路通过恒等映射保留高分辨率空间细节，二者拼接实现细节与语义的解耦表示。严格遵循零参数量增长原则--扩张卷积复用标准卷积权重张量，仅改变采样坐标，整体模型复杂度不变，有效缓解了小目标检测中细节与语义的经典权衡问题，显著抑制鸟类、风筝等相似干扰物导致的虚警并降低漏检率。

23、2.本发明采用基于离散小波变换的无参下采样机制，在将分辨率降低2倍的同时保证能量守恒，完整保留边缘、旋翼等高频子带判别性细节，有效提升了像素面积不足图像总面积0.1%的微小无人机目标的召回率，同时参数量降低26.4%，兼顾性能与效率。

24、3.本发明对三层特征进行归一化加权融合，自适应增强浅层高分辨率特征比重。同时串联通道与空间注意力，抑制背景冗余通道，在复杂背景下有效降低误检率。损失方面，采用focal loss与ciou loss联合优化，前者聚焦小目标等困难样本提升召回率，后者通过几何约束缓解边界框回归梯度不稳定问题。

25、4.本发明通过角度损失、距离损失、形状损失与iou损失加权融合，实现检测框与预测框的精准关联。角度损失惩罚中心点连线方向与预测框主方向的偏差，对水平巡航与垂直爬升两种典型机动提供定向约束；距离损失采用与角度损失联动的动态权重机制，方向偏离越大时距离惩罚越强，角度对齐时增强位置精度，避免刚性阈值导致误断链；形状损失惩罚宽高比差异，缓解无人机俯仰角变化引发的形变问题，避免正常机动被误判为轨迹切换。综合代价中iou、角度、距离、形状损失权重，体现“重叠优先、方向次之、距离再次、形状兜底”的优先级设计，负值作为硬拒绝信号。

26、5.本发明通过结构重参数化处理扩大感受野增强区分能力，无参下采样处理保留边缘细节，大-小上下文采样和边界判别检测头自适应融合多尺度特征输出高精度检测框；跟踪器以空间匹配损失四维约束进行软判决关联。遮挡时角度-距离联动允许放宽距离阈值维持轨迹连续性；当无人机执行高速机动时，形状损失的柔性约束避免将合理形变误判为轨迹断裂，id切换率降低，跟踪稳定性提升。