申请/专利权人：湘潭大学

申请日：2020-09-24

公开（公告）日：2024-04-02

公开（公告）号：CN112102366B

主分类号：G06T7/246

分类号：G06T7/246;G06V40/16;G06V10/764;G06V10/82;G06N3/086;G06N3/084;G06N3/006;G06N3/126

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.01.05#实质审查的生效;2020.12.18#公开

摘要：本发明公开了基于动态目标的无人机跟踪改进算法，涉及无人机以及无人机动态目标跟踪技术领域，该算法改进过程包括：优化BP神经网络训练过程；通过个体编码，构建适应度函数和遗传算法来获取BP神经网络最优权值；通过提取目标轮廓特征来完成对目标的特征提取，再基于交互式遗传算法改进粒子滤波的重采样过程从而达到改进基于粒子滤波算法的动态跟踪算法性能的目的。本发明能够在无人机动态跟踪领域提高无人机对动态目标识别的精确度并能提高无人机动态跟踪的精确度和抗干扰能力，具有较高的鲁棒性。

主权项：1.基于动态目标的无人机跟踪改进方法，其特征在于，所述无人机跟踪方法改进过程包括：改进BP神经网络的训练过程来优化BP神经网络性能；改进基于BP神经网络的人脸识别算法来获取BP神经网络最优权值；改进基于粒子滤波的动态跟踪算法来提高跟踪时的精确度和抗干扰能力；所述改进BP神经网络的训练过程来优化BP神经网络性能，具体包括：选定训练集，由相应的训练策略选择样本图像作为训练集；初始化各权值Vij，Wjk和阈值φj，θk，将其设置为一个接近于0的随机值，并初始化精度控制参数ε和学习率α；从训练集中取一个输入向量X加到网络，并给定它的目标输出向量D；利用式计算出一个中间层输出H，再用式计算出网络的实际输出Y；将输出矢量中的元素yk与目标矢量中的元素dk进行比较，计算出M个输出误差项δk＝dk-ykyk1-yk对中间层的隐单元也计算出L个误差项依次计算各权值和阈值的调整量：ΔWjkn＝a1+L*ΔWjkn-1+1*δk*hj Δθkn＝a1+L*Δθkn-1+1*δk 调整所属权值和阈值：Wikn+1＝Wikn+ΔWiknViin+1＝Viin+ΔViinθkn+1＝θkn+Δθknφjn+1＝φjn+Δφn当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且如果不满足，就返回所述第三步，继续迭代；如果满足，就进入下一步；训练结束，将权值和阈值保存在文件中；这时可以认为各个权值已经达到稳定，分类器形成；再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化；所述改进基于BP神经网络的人脸识别算法来获取BP神经网络最优权值，具体包括：个体编码；构建适应度函数；通过遗传算法获取最优权值；所述改进基于粒子滤波的动态跟踪算法来提高跟踪时的精确度和抗干扰能力，具体包括：通过提取目标的轮廓特征来完成对目标的特征提取；改进粒子滤波重采样过程完成粒子滤波算法的改进从而提高动态跟踪的精确度和抗干扰能力；所述改进粒子滤波重采样过程完成粒子滤波算法的改进从而提高动态跟踪的精确度和抗干扰能力，具体包括：在粒子滤波的重采样过程中，获取种群中每个粒子的适应度值，该适应度值为k时刻粒子集中每个粒子的权值；将所述遗传个体按其适应度值大小排序，用一个值λ表示第λ代种群，初始时，λ＝1；人为确定进行交叉和变异的个体范围以及参与交叉和变异操作的个体数量，将所述个体范围称之为候选窗，用字母Wcand表示，并定义所述候选窗的参量：Wcand_x和Wcand_y分别为候选窗x方向和y方向的长度值，定义交叉操作的交叉概率pc＝0.8，定义两个值分别为其中N为种群的粒子总数目；在所述候选窗Wcand内，从种群Pnλ中随机选取r个个体作为父代个体,并根据每个个体的适应值将个体进行适应值大小排序，将排序后的总个体中的前c个个体标记为进行交叉操作的个体，后面r-c个个体将进行变异操作；从种群Pnλ中随机选取N-r个个体直接进入到下一代，作为下一代个体将经过交叉和变异操作后，得到的r个新生成的个体插入到下一代，作为下一代个体令λ＝λ+1次，重复遗传操作，直至误差精度符合要求。

全文数据：

权利要求：

百度查询： 湘潭大学 基于动态目标的无人机跟踪改进算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD