结合卡尔曼滤波和YOLO的小目标检测方法及装置

本技术涉及信号处理，特别是涉及一种结合卡尔曼滤波和yolo的小目标检测方法及装置。

背景技术：

1、在遥感与低空监测场景中，小目标特指像素尺寸≤32×32、画面占比极低的目标，分为储罐、停靠车辆等静态目标与无人机、行驶车辆、快艇等运动目标。场景普遍存在树冠遮挡、密集建筑干扰、雨雪光照剧变、目标重叠、远距离成像模糊等多重干扰，现有检测跟踪技术存在显著缺陷。传统yolo网络依托基础c3模块提取特征，极小目标浅层细粒度特征捕捉能力弱，常规特征融合未拓展全局上下文，高分辨率遥感图像推理易丢失微小目标，仅靠放大图像尺寸提精度的方式，无法兼顾检测精度与实时性。同时，复杂干扰场景下单帧检测器稳定性差，易出现漏检、跳检问题，导致目标轨迹断裂、跟踪id丢失，大幅提升目标重识别成本。传统卡尔曼滤波无遮挡自适应调控机制，缺乏目标丢失容忍、轨迹缓冲及重叠框消歧逻辑，长时遮挡易直接删除跟踪器，多目标交叉时易出现id漂移、轨迹混乱。此外，现有检测与跟踪模块相互独立，未依据检测置信度动态调整滤波噪声参数，无匹配阈值、轨迹优化及旧跟踪器销毁联动策略。主流yolo+bytetrack等方案无法同时解决小目标漏检、遮挡轨迹丢失、多目标重叠干扰问题，难以满足遥感与低空安防的高精度连续监测需求。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种结合卡尔曼滤波和yolo的小目标检测方法及装置。

2、一种结合卡尔曼滤波和yolo的小目标检测方法，所述方法包括：

3、获取待处理视频流，并对视频流进行预处理；

4、将预处理后的视频帧输入改进yolo11小目标检测网络，得到当前视频帧的有效小目标检测框集合以及对应的yolo检测置信度；所述改进yolo11小目标检测网络由骨干网络、多尺度融合网络和解耦检测头组成，所述骨干网络由c2f模块和c2ps.a上下文增强模块组成并嵌入稀疏全局注意力机制；

5、针对每一个首次出现的小目标，初始化独立自适应卡尔曼滤波器，构建目标状态预测模型，通过yolo检测置信度动态调整噪声协方差矩阵；

6、循环执行卡尔曼滤波预测阶段与更新阶段，预测阶段根据上一帧最优状态估计，得到卡尔曼预测坐标；计算卡尔曼预测坐标与小目标检测框的欧氏距离，若欧氏距离小于预设阈值，则判断为同一小目标，执行更新阶段并重置目标丢失计数，否则判断为新小目标，不执行更新阶段，建立新小目标对应的独立自适应卡尔曼滤波器；对于目标遮挡且非同一小目标的场景，若目标丢失计数大于最大丢失容忍帧数阈值，则销毁对应的独立自适应卡尔曼滤波器，否则持续输出预测轨迹并缓存历史坐标；若同一帧出现多个跟踪框，计算旧预测框与新检测框欧式距离，若欧氏距离小于预设值，则销毁旧预测框对应的独立自适应卡尔曼滤波器；

7、叠加所有目标跟踪信息至视频帧，逐帧写入待处理视频流，完成复杂背景小目标连续检测跟踪。

8、在其中一个实施例中，所述预处理包括：

9、将视频帧图像等比例缩放至模型标准输入尺寸640×640，填充灰边保持原始长宽比；

10、将像素值由0~255线性映射至[0,1]区间；

11、针对高分辨率视频帧图像，采用滑动窗口分割为640×640子图；

12、随机翻转、高斯模糊、光照扰动、模拟雨雪噪声扩充小目标样本。

13、在其中一个实施例中，所述独立自适应卡尔曼滤波器采用4维状态向量，其中，为目标中心坐标，分别为横向运动速度和纵向运动速度。

14、在其中一个实施例中，多尺度融合网络采用fpn+pan双向特征金字塔结构；解耦检测头的后处理执行置信度阈值过滤与nms非极大值抑制。

15、在其中一个实施例中，所述目标状态预测模型包括状态转移矩阵和观测矩阵；

16、所述状态转移矩阵为：

17、

18、其中，为单帧时间间隔；

19、观测矩阵为：

20、。

21、在其中一个实施例中，循环执行卡尔曼滤波预测阶段与更新阶段，包括：

22、预测阶段，根据上一帧最优状态估计，预测当前先验状态与协方差，得到卡尔曼预测坐标：

23、

24、

25、其中，为先验状态估计；为最优状态估计；为先验误差协方差矩阵；为后验误差协方差矩阵；为过程噪声协方差矩阵；为帧数；

26、更新阶段，融合观测值修正预测结果，得到最优后验估计：

27、

28、

29、

30、其中，为卡尔曼增益矩阵；为观测噪声协方差矩阵；为后验状态估计；为当前帧观测向量；为后验误差协方差矩阵；为单位矩阵。

31、在其中一个实施例中，通过yolo检测置信度动态调整噪声协方差矩阵，包括：

32、根据目标类型动态调整，若目标类型为动态小目标，则放大，若目标类型为静态小目标，则缩小；

33、根据yolo检测置信度与负相关，动态调整。

34、在其中一个实施例中，叠加所有目标跟踪信息至视频帧，逐帧写入待处理视频流，完成复杂背景小目标连续检测跟踪，包括：

35、区分正常检测目标与遮挡预测目标的可视化标识，叠加所有目标跟踪信息至视频帧，逐帧写入待处理视频流，完成复杂背景小目标连续检测跟踪。

36、在其中一个实施例中，最大丢失容忍帧数阈值与帧频成正比。

37、一种结合卡尔曼滤波和yolo的小目标检测装置，所述装置包括：

38、数据获取模块，用于获取待处理视频流，并对视频流进行预处理；

39、yolo检测模块，用于将预处理后的视频帧输入改进yolo11小目标检测网络，得到当前视频帧的有效小目标检测框集合以及对应的yolo检测置信度；所述改进yolo11小目标检测网络由骨干网络、多尺度融合网络和解耦检测头组成，所述骨干网络由c2f模块和c2ps.a上下文增强模块组成并嵌入稀疏全局注意力机制；

40、目标配置模块，用于针对每一个首次出现的小目标，初始化独立自适应卡尔曼滤波器，构建目标状态预测模型，通过yolo检测置信度动态调整噪声协方差矩阵；

41、卡尔曼滤波预测模块，用于循环执行卡尔曼滤波预测阶段与更新阶段，预测阶段根据上一帧最优状态估计，得到卡尔曼预测坐标；计算卡尔曼预测坐标与小目标检测框的欧氏距离，若欧氏距离小于预设阈值，则判断为同一小目标，执行更新阶段并重置目标丢失计数，否则判断为新小目标，不执行更新阶段，建立新小目标对应的独立自适应卡尔曼滤波器；对于目标遮挡且非同一小目标的场景，若目标丢失计数大于最大丢失容忍帧数阈值，则销毁对应的独立自适应卡尔曼滤波器，否则持续输出预测轨迹并缓存历史坐标；若同一帧出现多个跟踪框，计算旧预测框与新检测框欧式距离，若欧氏距离小于预设值，则销毁旧预测框对应的独立自适应卡尔曼滤波器；

42、输出模块，用于叠加所有目标跟踪信息至视频帧，逐帧写入待处理视频流，完成复杂背景小目标连续检测跟踪。

43、上述结合卡尔曼滤波和yolo的小目标检测方法及装置，通过在骨干网络中引入c2f模块、c2ps.a上下文增强模块和稀疏全局注意力机制，从而拓展小目标上下文，有效克服复杂噪声背景下特征提取能力弱的缺陷，且通过c2f模块实现轻量化设计，可满足视频实时处理；通过在自适应卡尔曼滤波器中设置最大丢失容忍帧数阈值，在目标遮挡期间依靠运动模型持续预测，输出预测轨迹并缓存历史坐标，从而有效解决了传统方案遮挡即丢失目标、轨迹断裂、id跳变的问题；同时依据检测置信度动态自适应调整噪声协方差矩阵，有效抑制低置信度无效观测干扰，大幅提升跟踪稳定性；通过引入欧氏距离匹配消歧机制，对同目标多重跟踪框进行自动甄别，及时销毁历史冗余跟踪器，确保单个目标仅保留唯一有效跟踪轨迹，从而解决多小目标密集交叉时跟踪混乱问题。