一种基于OSTrack模型的红外弱小目标跟踪方法及系统

本发明涉及目标跟踪，具体涉及一种基于ostrack模型的红外弱小目标跟踪方法及系统。

背景技术：

1、红外弱小目标这一定义分别指出了目标的两个特性，即“弱”和“小”，其中“弱”指的是目标信噪比低、与背景之间的对比度差、红外辐射强度弱；而“小”指的是目标像素少，尺寸小。因此红外弱小目标的跟踪一直是目标跟踪领域的难点和热点，被广泛应用于军事和民用领域，如导弹预警系统、精确制导武器、海上监视系统及安防监控系统等。受限于各方面因素的影响，红外弱小目标的跟踪仍然是一项巨大的挑战。

2、现如今，目标跟踪的方法主要分为两类：基于相关滤波和卷积神经网络的方法。基于相关滤波方法具有较快的运行速度，但是对于目标出现形变、遮挡等情况，跟踪效果较差；基于卷积神经网络的方法具有较高的跟踪精度。但大多数方法对红外弱小目标的跟踪精度不够高，因此高精度的红外弱小目标跟踪算法的研究非常重要，上述问题亟待解决。为此，提出了一种基于ostrack模型的红外弱小目标跟踪方法及系统。

技术实现思路

1、本发明所要解决的技术问题在于：如何解决红外弱小目标跟踪技术中存在的跟踪精度不够高的问题，提供了一种基于ostrack模型的红外弱小目标跟踪方法。

2、本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

3、s1：模型训练

4、制作红外弱小目标数据集，将得到的数据集送入ostrack模型中进行训练，得到训练后的ostrack模型；

5、s2：目标跟踪

6、将待跟踪视频输入训练后的ostrack模型，在视频第一帧图像上人为选取目标位置，然后输入视频下一帧图像，使用训练后的ostrack模型得到目标位置，对目标位置进行后处理，得到最终的目标位置，判断跟踪是否结束，判断没有结束则再次输入视频下一帧图像继续获取目标位置并对其后处理，得到最终的目标位置，反之，跟踪结束。

7、更进一步地，在所述步骤s2中，对目标位置进行后处理的具体过程如下：

8、s41：计算得到目标的相关信息，接着判断相机是否移动，相机移动进行求值处理，相机不移动进行赋值处理，然后转入步骤s42；

9、s42：根据步骤s41中的相关值，来判断是否出现异常情况，没有出现异常情况，转入步骤s43，出现异常情况，然后转入步骤s44；

10、s43：当没有异常情况时，即目标没有丢失和融入背景，则基于比例系数k，分两种情况来更新目标框，然后转入步骤s46；

11、s44：当出现异常情况时，分别对不同的异常情况进行处理，来更新目标框，然后转入步骤s45；

12、s45：判断目标是否丢失；当目标丢失且相机没有移动时，更新目标框；当目标丢失且相机移动时，更新目标框；当目标没有丢失且目标没有融入背景，更新目标框；当目标没有丢失且目标融入背景，更新目标框；然后转入步骤s46；

13、s46：对目标框进行判断，更新目标框，进而得到最终的目标框。

14、更进一步地，在所述步骤s41中，具体过程如下：

15、s411：计算出前一帧目标区域图像的平均像素值，前一帧和当前帧目标的水平速度、竖直速度、合速度，其中目标区域图像为目标框内图像；

16、s412：当前一帧和当前帧的目标速度均大于阈值a，则认为相机移动，计算出前一帧目标区域图像像素比例值，当前帧目标区域图像像素改变比例值，当前帧目标区域图像像素比例值；

17、s413：当前一帧和当前帧的速度其中至少有一个小于阈值a，认为相机没有移动，将前一帧目标区域图像像素比例值、当前帧目标区域图像像素改变比例值、当前帧目标区域图像像素比例值设置为默认值b。

18、更进一步地，在所述步骤s411中，水平速度是目标框的中心点和前一帧目标框的中心点的x轴像素坐标值相减，平均水平速度的初始值为0；竖直速度是目标框的中心点和前一帧目标框的中心点的y轴像素坐标值相减，平均竖直速度的初始值为0；速度是水平速度与竖直速度的矢量和。

19、更进一步地，在所述步骤s42中，异常情况分别为：相机没有移动，目标框的长和宽分别大于阈值cw、cy；相机移动，当前帧目标区域图像像素改变比例值，当前帧目标区域图像像素比例值大于阈值d，目标的水平和竖直速度分别大于阈值ex、ey。

20、更进一步地，在所述步骤s43中，分两种情况来更新目标框：目标框的长和宽均不大于对应的阈值f乘上k，保存目标框的坐标，更新目标框，更新平均水平速度和平均竖直速度；目标框的长和宽其中有一个大于对应的阈值f乘上k，更新目标框。

21、更进一步地，在所述步骤s44中，异常情况包括两种，处理第一种异常情况时，重新计算前一帧目标区域图像像素比例值，当前帧目标区域图像像素改变比例值，得到目标区域图像像素改变最大比例值；接着需要判断是否融入背景，以下两种情况下认为融入背景：目标区域图像像素改变最大比例值小于阈值g；目标区域图像像素改变最大比例值小于阈值h且水平速度和竖直速度分别大于阈值ix、iy；其他情况目标没有融入背景，在目标框的近处、中间、远处区域来寻找目标；处理第二种异常情况时，处理同第一种异常情况目标没有融入背景时，在目标框的近处、中间、远处区域来寻找目标。

22、更进一步地，在所述步骤s45中，以下两种情况下认为目标丢失：目标融入背景，当前帧目标区域图像像素改变比例值小于阈值l；目标没有融入背景，目标框的长和宽分别大于阈值mw、my；其他情况目标没有丢失。

23、更进一步地，在所述步骤s46中，对目标框进行判断，当长大于阈值n乘以宽或宽大于阈值n乘以长时，则更新目标框。

24、本发明还提供了一种基于ostrack模型的红外弱小目标跟踪系统，用于利用上述的跟踪方法进行目标跟踪工作，包括：

25、模型训练模块，用于制作红外弱小目标数据集，将得到的数据集送入ostrack模型中进行训练，得到训练后的ostrack模型；

26、目标跟踪模块，用于将待跟踪视频输入训练后的ostrack模型，在视频第一帧图像上人为选取目标位置，然后输入视频下一帧图像，使用训练后的ostrack模型得到目标位置，对目标位置进行后处理，得到最终的目标位置，判断跟踪是否结束，判断没有结束则再次输入视频下一帧图像继续获取目标位置并对其后处理，得到最终的目标位置，反之，跟踪结束。

27、本发明相比现有技术具有以下优点：该基于ostrack模型的红外弱小目标跟踪方法，通过将待跟踪的红外弱小目标视频输入到基于ostrack的模型进行跟踪，获得红外弱小目标的位置信息，增加了后处理，提高了红外弱小目标的跟踪精度；并且后处理只花费了极少时间，实现了跟踪的实时性，有望应用于反无人机远程监控和预警，跟踪精度较高。

技术特征：

1.一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于：在所述步骤s2中，对目标位置进行后处理的具体过程如下：

3.根据权利要求2所述的一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于：在所述步骤s41中，具体过程如下：

4.根据权利要求3所述的一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于：在所述步骤s411中，水平速度是目标框的中心点和前一帧目标框的中心点的x轴像素坐标值相减，平均水平速度的初始值为0；竖直速度是目标框的中心点和前一帧目标框的中心点的y轴像素坐标值相减，平均竖直速度的初始值为0；速度是水平速度与竖直速度的矢量和。

5.根据权利要求2所述的一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于：在所述步骤s42中，异常情况分别为：相机没有移动，目标框的长和宽分别大于阈值cw、cy；相机移动，当前帧目标区域图像像素改变比例值，当前帧目标区域图像像素比例值大于阈值d，目标的水平和竖直速度分别大于阈值ex、ey。

6.根据权利要求2所述的一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于：在所述步骤s43中，分两种情况来更新目标框：目标框的长和宽均不大于对应的阈值f乘上k，保存目标框的坐标，更新目标框，更新平均水平速度和平均竖直速度；目标框的长和宽其中有一个大于对应的阈值f乘上k，更新目标框。

7.根据权利要求2所述的一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于：在所述步骤s44中，异常情况包括两种，处理第一种异常情况时，重新计算前一帧目标区域图像像素比例值，当前帧目标区域图像像素改变比例值，得到目标区域图像像素改变最大比例值；接着需要判断是否融入背景，以下两种情况下认为融入背景：目标区域图像像素改变最大比例值小于阈值g；目标区域图像像素改变最大比例值小于阈值h且水平速度和竖直速度分别大于阈值ix、iy；其他情况目标没有融入背景，在目标框的近处、中间、远处区域来寻找目标；处理第二种异常情况时，处理同第一种异常情况目标没有融入背景时，在目标框的近处、中间、远处区域来寻找目标。

8.根据权利要求2所述的一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于：在所述步骤s45中，以下两种情况下认为目标丢失：目标融入背景，当前帧目标区域图像像素改变比例值小于阈值l；目标没有融入背景，目标框的长和宽分别大于阈值mw、my；其他情况目标没有丢失。

9.根据权利要求2所述的一种基于ostrack模型的红外弱小目标跟踪方法，其特征在于：在所述步骤s46中，对目标框进行判断，当长大于阈值n乘以宽或宽大于阈值n乘以长时，则更新目标框。

10.一种基于ostrack模型的红外弱小目标跟踪系统，其特征在于，用于利用如权利要求1～9任一项所述的跟踪方法进行目标跟踪工作，包括：

技术总结
本发明公开了一种基于OSTrack模型的红外弱小目标跟踪方法及系统，属于目标跟踪技术领域，包括以下步骤：S1：模型训练；S2：目标跟踪。本发明通过将待跟踪的红外弱小目标视频输入到基于OSTrack的模型进行跟踪，获得红外弱小目标的位置信息，增加了后处理，提高了红外弱小目标的跟踪精度；并且后处理只花费了极少时间，实现了跟踪的实时性，有望应用于反无人机远程监控和预警，跟踪精度较高。

技术研发人员：单建华,杨宇,张定,刘涛
受保护的技术使用者：安徽工业大学
技术研发日：
技术公布日：2024/1/15