基于结构关键点运动特征的多摄像头无人机匹配方法及系统

摘要: 本发明属于计算机视觉、智能视频分析及多摄像头目标关联,具体涉及一种基于结构关键点运动特征的多摄像头无人机匹配方法及系统。背景技术:1、随着低空经济、无人机巡检、...
基于结构关键点运动特征的多摄像头无人机匹配方法及系统

本发明属于计算机视觉、智能视频分析及多摄像头目标关联,具体涉及一种基于结构关键点运动特征的多摄像头无人机匹配方法及系统。

背景技术:

1、随着低空经济、无人机巡检、低空安防以及多摄像头协同感知技术的发展,在禁飞区监管、园区巡检和多摄像头联动监控等应用场景中,对无人机目标进行多视角同步观测、目标对应关系确认以及跨摄像头目标匹配的需求不断增加。实际应用中,摄像头通常分布于不同位置,并具有不同的焦距、俯仰角、方位角和成像距离。单个摄像头只能从一个方向观察无人机,难以完整反映无人机的空间位置和飞行状态,因此通常需要利用多个摄像头从不同方位同时或近同时观测同一区域。

2、在多摄像头协同观测场景下,同一时间段内,同一无人机可能被多个摄像头同时或近同时观测到,各摄像头画面中也可能同时存在多个无人机目标。因此,系统不仅需要判断各摄像头画面中是否存在无人机,还需要进一步建立不同摄像头、同一时间窗口内无人机目标之间的对应关系,即判断不同摄像头下检测到的无人机目标或者形成的轨迹片段是否属于同一无人机。该类任务通常涉及多摄像头同时间段无人机目标匹配或者跨视角同步目标关联。

3、然而,无人机目标通常具有成像尺寸小、纹理弱、颜色和外形相似、飞行姿态变化快以及跨摄像头视角差异大等特点。同一无人机在不同摄像头中可能仅占据少量像素,其机身纹理、颜色以及型号细节难以被稳定提取;不同摄像头安装位置和成像参数的差异又会使同一无人机呈现前视、侧视、俯视或者仰视等不同二维投影,并产生明显的尺度和清晰度差异。同时,同一时间段内还可能存在多个同型号或者外观高度相近的无人机,使不同目标之间原本有限的外观差异进一步减弱。由此,仅依赖单帧图像信息难以形成具有足够判别能力且能够跨摄像头保持一致的无人机身份表征。

4、现有多摄像头目标匹配或者目标关联方法主要包括基于外观特征的匹配方法、基于几何约束的匹配方法以及基于目标框轨迹的匹配方法。

5、其中,基于外观特征的匹配方法通常分别裁剪各摄像头中的目标图像,利用卷积神经网络、视觉transformer或者度量学习网络提取目标的纹理、颜色、轮廓等外观特征,再根据余弦相似度或者欧氏距离判断不同摄像头中的目标是否对应。例如,uav-reid构建多摄像头无人机重识别数据集,将同一无人机在不同摄像头、不同尺度以及不同视角下的图像作为匹配对象,并利用卷积神经网络、视觉transformer及度量学习方法提取无人机图像的外观特征,根据特征距离实现不同摄像头无人机图像的排序匹配。该类方法能够在无人机具有一定外观差异的情况下进行跨摄像头匹配,但其判别依据主要来源于无人机裁剪图像中的纹理、颜色和轮廓等静态信息。

6、当无人机目标尺寸较小、图像分辨率较低或者多个无人机外观高度相似时,不同无人机之间的外观特征差异容易被压缩;与此同时,不同摄像头从不同方位观察同一无人机时,又会导致同一无人机的外观投影、尺度和清晰度产生明显变化,并容易受到遮挡、光照变化、图像压缩以及运动模糊等因素影响。因此,该类方法需要同时解决“不同无人机外观差异较小”和“同一无人机跨摄像头外观差异较大”两个相互矛盾的问题,仅依赖静态外观特征难以建立稳定的身份对应关系,容易出现外观相似但身份不同的无人机被误匹配,或者同一无人机在不同摄像头下被误判为不同目标的问题。

7、基于几何约束的匹配方法通常利用摄像头标定参数、极线约束、视场重叠关系或者三维重建结果,将不同摄像头中的检测框中心点、视线方向或者空间位置进行关联。该类方法能够利用多摄像头之间的空间几何关系缩小目标匹配范围,但是对摄像头标定精度、时间同步精度以及目标检测定位精度具有较强依赖。在不同摄像头的安装位置、俯仰角、方位角和成像距离差异较大的情况下,同一无人机在不同图像坐标系中的二维位置并不存在直接对应关系,需要首先建立较准确的跨摄像头几何映射关系。摄像头数量增加或者现场安装状态发生变化时,标定和维护工作量相应增加;当目标本身尺寸较小或者检测框存在定位误差时,该误差经过跨视角几何映射后还可能进一步影响目标对应关系的判断。因此,如何在复杂多摄像头部署条件下建立准确、稳定且对标定误差具有足够容忍度的几何约束,是该类方法实际应用时面临的难点。

8、基于目标框轨迹的匹配方法通常首先在各摄像头内进行目标检测和短时跟踪,再利用同一时间窗口内目标框中心、尺度变化、速度方向或者轨迹形态进行跨摄像头关联。例如,divotrack/crossmot面向跨视角多目标跟踪任务,将目标检测、单视角关联和跨视角匹配统一到同一嵌入模型中,通过端到端网络学习不同视角下的目标表征,并利用跨视角匹配机制判断不同摄像头中的轨迹是否属于同一目标。该类方法能够形成“各摄像头检测和跟踪—跨视角轨迹匹配”的基本处理流程,但其跨视角判别依据仍主要来源于目标外观特征、检测特征或者目标框级运动信息。

9、对于多摄像头无人机场景,不同摄像头具有不同的图像坐标系、观察方向以及成像尺度,同一无人机在不同图像平面中的中心位置、运动方向和检测框面积并不天然一致,因此单摄像头内有效的目标框轨迹特征无法直接作为跨摄像头一致性特征使用。更重要的是,目标框仅能够表征无人机整体外接区域的位置及尺度变化,无法反映无人机前、后、左、右不同机体部位之间的空间关系,也难以区分检测框变化究竟来源于无人机整体平移、机体旋转、姿态倾斜还是跨视角投影形变。当多个外观相近的无人机在同一时间段同时出现并具有相似运动方向时,仅依靠目标中心或者检测框尺度形成的轨迹特征容易出现较高的相似性,增加目标对应关系判断的难度。

10、除上述跨摄像头目标匹配方法外,现有技术还提出了基于无人机关键点进行结构和姿态描述的方法。例如,drone detection and pose estimation using relationalgraph networks将无人机机体上的电机、机头机尾、机体顶部和底部等部位定义为关键点,通过关键点之间的关系图建模无人机结构,并根据关键点估计无人机六自由度姿态。该类方法表明,相较于目标框,无人机关键部位之间的几何关系能够表达更丰富的机体结构信息。但是,其主要目标在于单帧或者短时间尺度的姿态估计,输出重点为关键点位置及姿态参数,并未进一步面向跨摄像头无人机身份匹配建立轨迹级特征。

11、又例如,uvpose面向无人机反制系统进行实时关键点骨架检测,在无人机目标检测基础上进一步检测旋翼、主板等关键部件,并通过骨架化关键点表示无人机结构和飞行姿态。该类方法能够提供比目标框更加精细的无人机部件位置和姿态信息,但仍主要解决单帧关键点检测和姿态感知问题,尚未进一步解决如何将连续时间内关键点的变化转换为能够用于不同摄像头之间进行比较的目标运动表征。

12、因此,现有技术实际上分别从静态外观、目标框几何位置以及单帧关键点姿态等不同角度描述无人机目标,但上述信息均存在一定局限:静态外观特征容易受到目标尺寸、分辨率、外观相似性以及跨视角投影变化的影响;基于目标框或者空间几何位置的特征难以表达无人机机体内部的结构及姿态变化,并且跨摄像头使用时依赖不同坐标系之间的映射关系;单帧关键点虽然能够描述无人机结构,却缺乏连续时间维度上的运动演化信息。现有技术尚未充分利用同一时间窗口内无人机具有明确语义的机体关键部位连续变化所包含的结构运动信息。

13、进一步而言,要利用无人机结构运动信息提高多摄像头目标匹配能力,还需要解决多个相互关联的技术难点:其一,需要在无人机目标尺寸较小、姿态变化较快以及成像质量有限的条件下,稳定定位具有固定语义身份的无人机关键部位,否则连续帧之间关键点身份发生混淆将直接影响后续运动信息的可靠性;其二,同一真实运动在不同摄像头的二维投影平面中可能表现为不同的运动方向、形变量及尺度变化,因此不能简单地直接比较各摄像头获得的二维运动量,需要解决跨视角投影差异导致的运动表征偏移问题;其三,无人机的飞行状态具有连续时间演化特性,单一相邻帧或者较短局部变化不足以稳定区分不同无人机,需要同时描述短时间局部运动变化和较长时间范围内的状态演化;其四,在实际视频中还可能存在关键点置信度降低、局部遮挡、几何结构退化、轨迹片段长度不一致以及局部检测缺失等情况,需要避免低质量时间步对整个轨迹匹配结果产生过大的干扰。

14、因此,在无人机外观相似、跨摄像头视角差异明显、单帧图像信息不足且同一时间段可能同时存在多个无人机的条件下,如何突破对静态外观、目标框中心以及精确多摄像头几何标定的单一依赖,充分利用无人机自身机体结构在连续时间内形成的运动信息,并形成能够削弱跨视角二维投影差异且适于不同摄像头轨迹片段比较的稳定表征,仍是多摄像头无人机目标匹配需要解决的技术问题。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于结构关键点运动特征的多摄像头无人机匹配方法及系统,用于解决在同一时间段多个摄像头同时或近同时观测无人机的情况下,由于无人机目标尺寸小、纹理弱、颜色和外形相似、飞行姿态变化快、跨摄像头视角差异大,并且单帧图像信息不足、目标数量不止一个,仅依赖目标外观、检测框中心或单摄像头跟踪编号难以可靠建立不同摄像头无人机目标对应关系的技术问题。

2、本发明采用以下技术方案:

3、基于结构关键点运动特征的多摄像头无人机匹配方法,包括以下步骤:

4、获取多个摄像头在同一时间窗口内的视频帧,检测各视频帧中的无人机目标,并识别每一无人机目标分别对应前左、前右、后左和后右螺旋桨位置的四个结构关键点;

5、针对每一摄像头,将连续视频帧中属于同一无人机目标的四个结构关键点按时间顺序和固定语义顺序组织,对各帧结构关键点进行中心化和尺度归一化,构建无人机机体坐标系,并基于相邻帧结构关键点变化提取表征姿态变化、几何形变、沿机体前后方向和左右方向的速度及加速度以及目标投影面积变化的动态特征,得到动态特征序列;

6、根据所述动态特征序列的序列上下文获得轨迹级视角上下文表示,生成视角补偿参数并对所述动态特征序列进行视角规范化,得到规范化动态特征序列;

7、对所述规范化动态特征序列进行局部时序建模和长程状态建模,融合所得局部运动变化特征和状态演化特征,得到轨迹片段的序列特征及轨迹级表征;

8、根据不同摄像头中无人机轨迹片段的所述轨迹级表征计算相似度,并根据所述相似度确定同一时间窗口内不同摄像头无人机目标之间的匹配关系。

9、进一步的,所述检测无人机目标并识别四个结构关键点,包括:

10、利用共享主干网络和特征金字塔网络提取视频帧的多尺度图像特征;

11、通过目标检测头基于所述多尺度图像特征检测无人机目标并获得无人机目标框;

12、根据所述无人机目标框从所述多尺度图像特征中获得对应无人机目标的局部特征,并通过结构关键点检测头基于所述局部特征预测四个结构关键点的位置。

13、进一步的,所述通过结构关键点检测头预测四个结构关键点的位置,包括:

14、对经感兴趣区域对齐获得的局部特征进行通道投影并加入二维正余弦位置编码,将处理后的局部特征展开为空间特征序列;

15、分别针对四个结构关键点构造具有对应语义身份的查询向量,通过自注意力对各查询向量之间的结构关系进行建模,并通过交叉注意力使各查询向量从所述空间特征序列中聚合与对应结构关键点相关的图像特征;

16、根据查询特征与所述空间特征序列之间的相关性生成关键点热力图,并通过软最大值坐标回归获得对应结构关键点的归一化坐标。

17、进一步的,所述对各帧结构关键点进行中心化和尺度归一化并构建无人机机体坐标系,包括:

18、计算四个结构关键点的几何中心,根据各结构关键点至所述几何中心的平均距离确定尺度因子,并根据所述几何中心和尺度因子对四个结构关键点进行中心化和尺度归一化;

19、根据右侧结构关键点组与左侧结构关键点组的平均位置差确定机体左右方向,根据前侧结构关键点组与后侧结构关键点组的平均位置差确定机体前后方向,并分别进行单位化处理,得到当前视频帧的机体方向基。

20、进一步的,所述基于相邻帧结构关键点变化提取动态特征,包括:

21、对相邻两帧经中心化和尺度归一化后的四个结构关键点构造协方差矩阵,采用二维kabsch方法求解最优旋转矩阵,并根据所述最优旋转矩阵确定相邻两帧之间的旋转角变化;

22、针对相邻两帧形成的动态步,提取旋转角变化、俯仰形变、剪切形变、倾斜强度、沿机体前后方向的速度、沿机体左右方向的速度、沿机体前后方向的加速度、沿机体左右方向的加速度以及目标投影面积的对数变化,构成动态特征向量。

23、进一步的,构建所述动态特征序列时,还包括:

24、提取用于表征结构关键点观测质量和几何可靠性的质量特征,所述质量特征包括相邻帧结构关键点置信度、目标投影面积、机体厚薄比和几何退化程度中的至少一种;

25、将每一无人机轨迹对应的动态特征按时间顺序排列,采用滑动窗口构建固定长度的序列样本;

26、对于长度不足所述固定长度的序列样本进行零值填充,并生成有效时间步掩码,以在后续特征统计、时序编码和轨迹匹配过程中排除填充位置。

27、进一步的,所述对动态特征序列进行视角规范化,包括:

28、根据所述动态特征序列的序列上下文获得轨迹级视角上下文表示;

29、根据所述轨迹级视角上下文表示预测用于不同动态特征分量的二维补偿矩阵和标量仿射参数;

30、利用所述二维补偿矩阵对形变特征、速度特征和加速度特征进行补偿,利用所述标量仿射参数对标量动态特征进行补偿,得到所述规范化动态特征序列。

31、进一步的,所述局部时序建模和长程状态建模,包括:

32、将所述规范化动态特征序列、所述规范化动态特征序列的绝对值以及所述质量特征作为时序编码输入,根据所述质量特征生成质量门控权重,并利用所述质量门控权重对输入特征进行调制;

33、将经调制的特征输入残差时序卷积模块,提取相邻帧及短时间窗口内的局部运动变化特征;

34、将经局部时序建模后的特征输入状态空间模块,对较长时间范围内的序列状态演化进行建模,得到状态演化特征;

35、融合所述局部运动变化特征和状态演化特征,得到所述轨迹片段的序列特征。

36、进一步的,所述根据不同摄像头中无人机轨迹片段的轨迹级表征计算相似度,包括:

37、对所述序列特征进行基于有效时间步掩码的注意力池化,并对池化结果进行线性映射和归一化处理,得到轨迹嵌入向量,根据不同无人机轨迹片段的轨迹嵌入向量计算轨迹嵌入相似度;

38、将各时间步的序列特征映射为可学习运动原型库中不同运动原型的软分配结果,统计有效时间步对应的运动原型分布,并计算不同无人机轨迹片段之间的运动原型分布相似度;

39、基于不同无人机轨迹片段的序列特征计算软动态时间规整时序对齐分数。

40、进一步的,根据所述轨迹嵌入相似度和运动原型分布相似度对不同摄像头中的无人机轨迹片段进行候选筛选,并根据所述时序对齐分数对候选筛选结果进行重排序,确定不同摄像头中无人机轨迹片段之间的匹配关系。

41、第二方面,本发明实施例提供了一种基于结构关键点运动特征的多摄像头无人机匹配系统,包括:

42、检测识别模块,用于获取多个摄像头在同一时间窗口内的视频帧,检测各视频帧中的无人机目标,并识别每一无人机目标分别对应前左、前右、后左和后右螺旋桨位置的四个结构关键点;

43、特征构建模块,用于将连续视频帧中属于同一无人机目标的四个结构关键点按时间顺序和固定语义顺序组织,对各帧结构关键点进行中心化和尺度归一化,构建无人机机体坐标系,并基于相邻帧结构关键点变化提取表征姿态变化、几何形变、沿机体前后方向和左右方向的速度及加速度以及目标投影面积变化的动态特征,得到动态特征序列;

44、视角规范模块,用于根据所述动态特征序列的序列上下文获得轨迹级视角上下文表示,生成视角补偿参数并对所述动态特征序列进行视角规范化,得到规范化动态特征序列;

45、时序编码模块,用于对所述规范化动态特征序列进行局部时序建模和长程状态建模,融合所得局部运动变化特征和状态演化特征,得到轨迹片段的序列特征及轨迹级表征;

46、匹配模块,用于根据不同摄像头中无人机轨迹片段的所述轨迹级表征计算相似度,并根据所述相似度确定同一时间窗口内不同摄像头无人机目标之间的匹配关系。

47、进一步的,所述检测识别模块包括共享主干网络、特征金字塔网络、目标检测头和结构关键点检测头,所述结构关键点检测头用于利用具有对应语义身份的查询向量以及自注意力和交叉注意力获得四个结构关键点;

48、所述特征构建模块用于基于四个结构关键点构建机体方向基,并提取旋转角变化、俯仰形变、剪切形变、倾斜强度、沿机体前后方向和左右方向的速度及加速度以及目标投影面积的对数变化;

49、所述视角规范模块用于根据轨迹级视角上下文表示预测二维补偿矩阵和标量仿射参数,并利用所述二维补偿矩阵和标量仿射参数对不同动态特征分量进行补偿;

50、所述时序编码模块用于根据质量特征生成质量门控权重,通过残差时序卷积模块提取局部运动变化特征,并通过状态空间模块提取长程状态演化特征;

51、所述匹配模块用于获得轨迹嵌入相似度、运动原型分布相似度和软动态时间规整时序对齐分数,并根据所述轨迹嵌入相似度和运动原型分布相似度进行候选筛选,根据所述时序对齐分数对候选筛选结果进行重排序。

52、第三方面,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于结构关键点运动特征的多摄像头无人机匹配方法的步骤。

53、第四方面,本发明实施例提供了一种计算机可读存储介质,包括计算机程序,所述计算机程序被处理器执行时实现上述基于结构关键点运动特征的多摄像头无人机匹配方法的步骤。

54、与现有技术相比,本发明至少具有以下有益效果:

55、一种基于结构关键点运动特征的多摄像头无人机匹配方法,通过以无人机前左、前右、后左和后右螺旋桨位置对应的四个结构关键点作为结构化表征基础,并由连续帧关键点构建包含姿态变化、几何形变、机体方向速度、加速度及投影面积变化的动态特征,使跨摄像头匹配依据由单帧静态外观和目标框级运动信息扩展至具有机体语义约束的连续结构运动信息;进一步通过视角规范化削弱不同摄像头观察方向和二维投影造成的特征偏移,通过局部时序建模和长程状态建模形成轨迹级表征。解决外观相似无人机难以仅依靠纹理、颜色及检测框轨迹进行可靠区分的问题,使不同摄像头下同一无人机的运动表征具有更好的可比较性,提高跨摄像头无人机轨迹匹配的可靠性。

56、进一步的,通过共享主干网络和特征金字塔网络同时为目标检测和结构关键点识别提供多尺度图像特征,并在获得无人机目标框后仅针对目标对应的局部特征进行关键点预测,能够使两个任务共享特征提取过程,并将关键点处理范围集中于无人机所在区域。避免分别建立独立的目标检测模型和关键点识别模型,减少重复特征计算,同时利用多尺度特征增强对成像尺寸较小无人机的表征能力,为后续连续关键点运动特征构建提供稳定输入。

57、进一步的,通过在局部特征中加入二维位置编码,使特征展开为空间序列后仍保留空间位置信息;通过为四个关键点分别设置具有固定语义身份的查询向量,并利用自注意力建立关键点之间的结构关系、利用交叉注意力从局部空间特征中聚合与相应关键点对应的视觉信息,最后通过关键点热力图确定关键点坐标。使四个关键点不仅具有位置属性,还保持明确的前左、前右、后左和后右语义身份,降低连续帧中关键点身份混淆对动态特征计算的影响,并利用关键点之间的结构关系提高关键点输出的稳定性。

58、进一步的,通过以四个结构关键点的几何中心进行中心化,并以关键点到几何中心的平均距离进行尺度归一化,能够削弱无人机在图像中的平移位置和成像尺度对机体结构描述的影响;进一步利用左右关键点组以及前后关键点组建立机体左右方向和前后方向,形成机体方向基。将后续运动描述由摄像头图像坐标方向转换为具有无人机自身结构含义的机体方向,使不同摄像头下获得的速度、加速度及姿态变化具有更明确的物理语义,为跨视角运动比较建立统一的结构基础。

59、进一步的,通过二维kabsch方法求解相邻帧归一化关键点之间的最优旋转矩阵,可以从连续关键点变化中提取相邻帧的旋转信息;进一步联合提取旋转角变化、俯仰形变、剪切形变、倾斜强度、机体前后及左右方向速度和加速度以及投影面积对数变化。能够同时描述无人机的机体旋转、姿态及投影形变、平移运动和尺度变化,克服单纯使用目标框中心和框面积只能粗略表征整体运动的问题,使不同无人机轨迹之间具有更加丰富且可解释的运动判别信息。

60、进一步的,通过引入关键点置信度、目标投影面积、机体厚薄比及几何退化程度等质量特征,能够为后续模型提供各时间步关键点观测可靠性的辅助信息;采用滑动窗口将不同轨迹组织为固定长度序列,并针对不足长度的位置进行零值填充及设置有效时间步掩码。便于将不同长度轨迹组织为统一的时序输入,能够在统计、编码及匹配时排除填充位置,并为识别低置信度关键点或退化几何结构提供依据,降低低质量观测对整体轨迹表征的干扰。

61、进一步的,通过根据整个动态特征序列的上下文获得轨迹级视角上下文表示,并据此预测二维补偿矩阵和标量仿射参数,分别对形变、速度、加速度以及标量动态特征进行针对性补偿,使不同性质的动态特征能够采用与其表达形式相适配的跨视角调整方式;通过对补偿变换进行几何稳定性约束,限制补偿过程中产生过度拉伸或畸变。削弱不同摄像头观察角度、成像距离和投影方向造成的二维运动特征偏移,提高同一无人机跨摄像头动态表征的一致性。

62、进一步的,通过将规范化动态特征、其绝对值及质量特征共同作为时序编码输入,使时序编码既能够获得动态变化的方向信息,又能够利用相应变化幅值及观测质量信息;通过质量门控降低低可靠时间步的贡献,并分别利用残差时序卷积模块和状态空间模块提取短时间范围内的局部运动变化以及较长时间范围内的状态演化特征。使轨迹表征不局限于单个相邻帧或者短时变化,能够兼顾局部运动细节和较长时间范围内的飞行状态演化,减少低质量关键点对编码结果的影响。

63、进一步的,通过带有效时间步掩码的注意力池化获得轨迹嵌入向量,可以聚合轨迹中具有较高判别价值的有效时间步,用于表征轨迹整体动态特性;通过可学习运动原型库统计各轨迹的运动原型分布,可以从基础运动模式组成角度比较不同轨迹;再利用软动态时间规整对两个轨迹片段的序列特征进行时序对齐。使轨迹匹配能够同时考虑整体动态相似性、运动模式组成相似性和时间演化相似性,避免仅使用单一嵌入距离造成匹配依据不足,并提高对时间错位及片段长度差异的适应能力。

64、进一步的,通过首先利用轨迹嵌入相似度和运动原型分布相似度进行候选筛选,再利用软动态时间规整得到的时序对齐分数对候选结果进行重排序,使整体动态特征和运动模式相近的轨迹首先进入候选集合,再针对容易混淆的候选轨迹比较其具体时间演化过程。能够形成由轨迹级粗筛选至时序级精细比较的分层匹配机制,在无人机速度变化、时间错位、轨迹片段长度不一致或者局部检测缺失情况下,为最终跨摄像头目标对应关系提供更加充分的判别依据。

65、可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。

66、综上所述,本发明方法利用四个固定结构关键点构建无人机连续运动特征,并结合视角规范化、质量门控、长短时序编码及多层次相似度匹配,削弱跨摄像头视角、尺度及低质量观测影响,提高外观相似无人机轨迹匹配的可靠性和鲁棒性。

67、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。