公开(公告)号：CN117635661A

公开(公告)日：2024-03-01

申请号：CN202311680555.0

申请日：2023-12-07

Applicant: 桂林电子科技大学

Inventor： 马峻 ,  黄世霖 ,  李龙朝 ,  王旭哲

IPC: G06T7/246 ,  G06T7/277

Abstract: 本发明涉及目标追踪技术领域，具体涉及一种基于LA‑DeepSORT的低空域无人机目标跟踪方法，通过捕获包含无人机的视频进行运动补偿处理并分帧处理，获得视频帧序列；使用目标检测模型检测所述视频帧序列，获得无人机目标的预测框和置信度；根据所述预测框和置信度初始化卡尔曼滤波器和跟踪器；更新卡尔曼滤波器和跟踪器，输出无人机跟踪结果。本发明使用运动补偿算法矫正相机运动干扰，引入MobileNetV3更好地提取无人机外貌特征，既增强了无人机跟踪方法中抗扰动性能又增强了无人机跟踪器的特征提取能力，有效减少低空域下目标跟踪的ID跳变、误报以及跟踪丢失或轨迹失配的概率。

公开(公告)号：CN117132866A

公开(公告)日：2023-11-28

申请号：CN202311036164.5

申请日：2023-08-17

Applicant: 桂林电子科技大学

Inventor： 马峻 ,  王旭哲 ,  黄世霖 ,  李龙朝

IPC: G06V10/82 ,  G06V10/774 ,  G06V10/25 ,  G06V10/44 ,  G06V10/764 ,  G06V10/766 ,  G06V20/40 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及目标检测技术领域，具体涉及一种多运动目标环境下无人机检测方法，通过采集无人机与鸟类在同一空域下同时出现的图像数据，并对图像进行筛选和标注，构建多运动目标数据集；在输入端对图像进行数据增强处理，在骨干网络部分提出了一种改进的CA注意力机制模块，并将该结构插入YOLOv5s的网络模型中，增强了网络的特征提取能力，进而提升检测精确度；在头部加入F‑EIoU损失函数模块，解决了难易样本不平衡的问题，又提升了检测网络的鲁棒性。最后使用训练好的改进检测网络模型进行检测，得到检测结果，解决多运动目标环境下针对无人机的目标检测误检率漏检率较大的问题。

公开(公告)号：CN117612035A

公开(公告)日：2024-02-27

申请号：CN202311483939.3

申请日：2023-11-09

Applicant: 桂林电子科技大学

Inventor： 马峻 ,  李龙朝

IPC: G06V20/17 ,  G06V10/25 ,  G06V10/75 ,  G06V10/82

Abstract: 本发明涉及深度学习目标检测跟踪技术领域，具体涉及一种抗遮挡多无人机目标跟踪方法，基于FairMOT算法框架，将目标检测和关联联合训练，增加匹配和关联之间的特征耦合关系，具体的在深度聚合网络中追加特征提取模块，使网络可以充分提取到更深层的语义信息，提高网络整体的特征提取能力，进而保证遮挡前后ID一致性；同时2.对特征提取模块的2级Tree型结构进行2级IDA迭代；另外在不降低准确性的同时，将普通卷积层进行分组，最后采用DeepSort框架进行数据关联匹配，获得最终检测跟踪结果。本发明改善了遮挡情况下的目标漏检和身份识别错误问题，同时提升目标跟踪方法的抗遮挡性。

公开(公告)号：CN117893572A

公开(公告)日：2024-04-16

申请号：CN202410076371.1

申请日：2024-01-18

Applicant: 桂林电子科技大学

Inventor： 马峻 ,  李龙朝

IPC: G06T7/246 ,  G06V10/774 ,  G06V10/25 ,  G06V10/82

Abstract: 本发明涉及目标检测跟踪技术领域，具体涉及一种基于深度密集聚合网络的抗遮挡无人机跟踪方法，针对遮挡场景中小目标特征容易被大量噪声淹没的问题，基于深层聚合网络进行改进，首先使用三个3x3卷积块和一个1x1卷积的聚合节点的密集组合连接增加非线性，增加网络的表达能力，然后，在网络的深处设计分层迭代聚合结构增加信息传递，最后使用无人机数据集对网络模型进行训练后将其用于无人机检测跟踪，本发明方法通过密集卷积进行小目标特征提取，尽可能多的去保留浅层与深层信息，从而在根本上解决小目标特征信息在网络中丢失问题。

公开(公告)号：CN117132867A

公开(公告)日：2023-11-28

申请号：CN202311038241.0

申请日：2023-08-17

Applicant: 桂林电子科技大学

Inventor： 马峻 ,  黄世霖 ,  王旭哲 ,  李龙朝

IPC: G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G06V10/774 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及目标检测技术领域，具体涉及一种基于改进YOLOv5的相似性背景下无人机检测方法，通过将SimAM注意力机制模块嵌入到YOLOv5的特征提取模块，SimAM注意力机制可以在不引入额外参数量的情况下，为神经元分配3D注意力权值，增强重要的神经元输出，抑制非重要的神经元输出；同时通过将YOLOv5原Neck层替换为BiFPN结构，使得预测层可以利用不同特征层的特征，这样可以大大提升网络的预测精度；再使用预处理与标注过的无人机图像数据集对改进后的YOLOv5模型进行训练，获得检测模型，最后使用检测模型对待测无人机视频进行检测得到检测结果。经验证，本发明增加了无人机目标的特征提取能力，有效减少相似性背景下目标检测的误检率、漏检率。