(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111639385.2 (22)申请日 2021.12.2 9 (71)申请人 南京信息 工程大学 地址 224002 江苏省盐城市 盐南高新区新 河街道文港南路10 5号 (72)发明人 于倩倩　郑钰辉　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 朱桢荣 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/277(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种DAMDNet-EKF算法的无人机目标跟踪方 法 (57)摘要 本发明公开了一种DAMDNet ‑EKF算法的无人 机目标跟踪方法， 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。 本 发明有效地解决了无人机跟踪算法容易跟踪失 败及实时性较 差的问题。 权利要求书2页 说明书5页 附图1页 CN 114494339 A 2022.05.13 CN 114494339 A 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： 其中， x*为目标得分最高的目标边界框， xi指跟踪模型输出得到的视频帧目标边界框， f +(xi)为xi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， 并使用权　利　要　求　书 1/2 页 2 CN 114494339 A 2EKF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。权　利　要　求　书 2/2 页 3 CN 114494339 A 3