无人机遥感目标追踪方法、装置、电子设备及存储介质

计算;推算;计数设备的制造及其应用技术1.本发明涉及大视场下动态目标的跟踪技术领域，尤其涉及无人机遥感目标追踪方法、装置、电子设备及存储介质。背景技术：2.随着人工智能技术的快速发展，目标跟踪在许多领域得到了广泛的应用，无人机航拍视频中的遥感目标跟踪成为最重要的应用之一，无人机视角下的遥感目标跟踪在嫌犯追捕、军事侦察、土地监测等领域都具有重要意义。近年来，研究人员提出了大量的目标跟踪算法。3.然而，无人机航拍视频通常具有低分辨率，多个相似目标干扰和快速的视角变化等特点，这些算法大多复杂且耗时，难以在无人机平台中实现遥感目标的实时跟踪。因此，如何设计鲁棒性强的跟踪算法仍然面临严峻的挑战。4.现有的基于无人机平台的视觉目标跟踪器大多都是从视觉跟踪的通用框架中迁移过来的，其中以相关滤波类和深度学习类跟踪算法最具有代表性。由于其实时的跟踪速度，基于相关滤波类的跟踪器被广泛应用于无人机视频跟踪领域。例如，alan lukezic等人提出的csr-dcf算法利用前景背景的颜色模型构建了掩码矩阵用于对滤波器的空域限制，f.li等人将时间正则化方法引入到单样本滤波器中提出了一种时空正则化相关滤波器(srdcf)。但是，此类算法处理跟踪目标背景复杂、目标形态高动态变化等情况时存在一些问题，降低了跟踪的准确性，影响跟踪性能。5.随着深度学习的迅速发展，与传统的跟踪网络相比，基于深度神经网络的跟踪算法有效提高了跟踪效果。例如，david held等人提出goturn网络采用离线训练的方式提高了网络的跟踪速度；yibing song等人提出vital网络采用生成对抗网络随机生成mask来增加正样本的数量同时利用高阶敏感损失函数减轻负样本对跟踪性能的影响。但此类算法结构的复杂性影响了跟踪速度使得其无法满足无人机视频目标跟踪的时效性，降低了跟踪速度。技术实现要素：6.本发明提供无人机遥感目标追踪方法、装置、电子设备及存储介质，用以解决现有技术中无人机跟踪算法复杂的缺陷，实现架构简单的基础网络的同时，提高了无人机遥感目标追踪的跟踪精度和跟踪效率。7.本发明提供一种无人机遥感目标追踪方法，包括：获得经过预处理的模板帧和待检测帧；将模板帧和待检测帧分别通过alexnet网络提取特征，得到模板帧特征图和待检测帧特征图集；将所述模板帧特征图和所述待检测帧特征图集输入模板动态更新模块，获得最终模板；其中，所述模板动态更新模块采用lstm算法；利用待检测帧特征图集分别作为卷积核在最终模板帧特征上进行互相关卷积，得到相似度得分图集；利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置。8.根据本发明提供的一种无人机遥感目标追踪方法，将模板帧和待检测帧分别通过alexnet网络提取特征，得到模板帧特征图和待检测帧特征图集，包括：利用多尺度膨胀卷积模块更改alexnet网络的conv层，使用分支池，不同的内核对应不同大小的rfs，应用膨胀卷积层来控制rfs偏心度，并对rfs进行重塑，获得新的特征提取网络；将模板帧和待检测帧分别通过新的特征提取网络提取特征，得到模板帧特征图和待检测帧特征图集。9.根据本发明提供的一种无人机遥感目标追踪方法，利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置之后，包括：获得新位置的无人机跟踪目标；基于lstm网络和新位置的无人机跟踪目标确定无人机记忆模块的更新方式；其中，记忆模块用于存储模板帧信息。10.根据本发明提供的一种无人机遥感目标追踪方法，将模板帧特征图和待检测帧特征图集输入模板动态更新模块，获得最终模板，包括：引入注意力机制对待检测帧特征图集分别进行划分，经过平均池化后得到相应的特征向量；将特征向量和lstm参数输入lstm网络，获得剩余模板；基于剩余模板和初始目标模板获得最终模板，其中，模板帧信息包括目标模板。11.根据本发明提供的一种无人机遥感目标追踪方法，将特征向量和lstm参数输入lstm网络，获得剩余模板，包括：将特征向量和lstm参数输入lstm网络，获得存储特征的信号；基于存储特征的信号，从记忆模块中调取与待检测帧最为匹配的目标特征集合并获得相应的加权权重；得到各目标特征在待检测帧的加权特征后，得到剩余模板。12.根据本发明提供的一种无人机遥感目标追踪方法，基于lstm网络和无人机跟踪目标确定无人机记忆模块的更新方式，包括：当新位置的无人机跟踪目标包含超过预设数量的无用信息时，新位置的无人机跟踪目标被舍弃；当新位置的无人机跟踪目标与预设跟踪目标的外观变化不超过阈值时，更新记忆模块；当新位置的无人机跟踪目标与预设跟踪目标的外观变化超过阈值时，将新位置的无人机跟踪目标存储至记忆模块。13.根据本发明提供的一种无人机遥感目标追踪方法，记忆模块的更新方式与记忆模块中特征被读取的频繁程度擦除因子ew和新的目标模板有关。14.本发明还提供一种无人机遥感目标追踪装置，包括：预处理模块，用于获得经过预处理的模板帧和待检测帧；特征提取模块，用于将模板帧和待检测帧分别通过alexnet网络提取特征，得到模板帧特征图和待检测帧特征图集；模板动态更新模块，用于根据模板帧特征图和待检测帧特征图集得到最终模板；其中，模板动态更新模块采用lstm算法；跟踪模块，用于利用待检测帧特征图集分别作为卷积核在最终模板帧特征上进行互相关卷积，得到相似度得分图集；利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置。15.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述无人机遥感目标追踪方法。16.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述无人机遥感目标追踪方法。17.本发明提供的无人机遥感目标追踪方法、装置、电子设备及存储介质，选择结构简单、速度快的siamesefc作为基础网络，获得经过预处理的模板帧和待检测帧；将模板帧和待检测帧分别通过alexnet网络提取特征，得到模板帧特征图和待检测帧特征图集；将模板帧特征图和待检测帧特征图集输入采用lstm算法的模板动态更新模块，获得最终模板；利用待检测帧特征图集分别作为卷积核在最终模板帧特征上进行互相关卷积，得到相似度得分图集；利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置。通过上述方式，本发明采用结构简单、速度快的siamesefc作为基础网络，减少了计算量的同时，还引入实时模板更新机制，利用lstm控制目标特征的读取与更新以适应由目标旋转、姿态变化等造成跟踪漂移甚至失败的情况，有效提升整体模型的跟踪性能，利于长时跟踪。附图说明18.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。19.图1是本发明无人机遥感目标追踪方法一实施例的流程示意图；20.图2是本发明alexnet网络中多尺度膨胀卷积一实施例的流程示意图；21.图3是本发明包含模板更新的无人机遥感目标追踪方法一实施例的流程示意图；22.图4是本发明无人机遥感目标追踪方法中模板动态更新一实施例的流程示意图；23.图5是本发明无人机遥感目标追踪装置一实施例的结构示意图；24.图6是本发明电子设备一实施例的结构示意图。具体实施方式25.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。26.请参阅图1，图1是本发明无人机遥感目标追踪方法一实施例的流程示意图，在本实施例中，无人机遥感目标追踪方法可以包括步骤s110～s140，各步骤具体如下：27.s110：获得经过预处理的模板帧和待检测帧。28.siamesefc网络是孪生网络中的一种，本实施例中将采用siamesefc网络作为无人机追踪网络的基础网络。siamesefc网络的核心思想是将输入通过函数映射到目标区域，在目标区域利用简单的欧氏距离等对比跟踪目标与当前区域图像的相似度。29.然而由于传统的siamesefc网络采用传统的枚举式尺度测量方式，这使其无法更好地应对无人机视频中目标类间尺度差异大等问题。因此，在本实施例中还需要对传统siamesefc网络进行改进。30.为了使整体网络更加适用于无人机视场，在训练的过程中，可以对无人机拍摄到的视频图像尺寸进行预处理。将模板帧伸缩到预设尺寸，将待检测帧调整为分辨率相同但尺度各不相同的图像集{x1,…,x5}。31.可选地，可以将模板帧伸缩到固定尺寸为127×127×3。32.s120：将模板帧和待检测帧分别通过alexnet网络提取特征，得到模板帧特征图和待检测帧特征图集。33.alexnet网络是一种神经网络，是一种更深的网络结构，可以学习更丰富更抽象的特征，从而提升网络的性能。34.进一步地，为了增强对多尺度目标特征感知能力，提高无人机的跟踪性能，本实施例还可以利用多尺度膨胀卷积替换alexnet架构中传统卷积方式。35.可选地，利用多尺度膨胀卷积层更改alexnet网络的conv层，使用分支池，不同的内核对应不同大小的rfs(receptive fields，感受野)，应用膨胀卷积层来控制rfs偏心度，并对rfs进行重塑，获得新的特征提取网络；将模板帧和待检测帧分别通过新的特征提取网络提取特征，得到模板帧特征图和待检测帧特征图集。36.将多尺度膨胀卷积层嵌入特征提取网络alexnet中并替换其中第2、3层卷积层以调整从第一层卷积层提取到的目标特征从而扩大特征图的感受野rfs。新的特征提取网络对alexnet网络进行重塑以增强网络的深度特征，提高网络应对多尺度目标动态变化的能力。37.具体可以包括以下步骤：38.s121：采用多分支卷积层进行特征提取。39.根据人类视网膜感受野的特点，通过设置不同尺度卷积层的多分支结构来提高无人机视场中网络模型对多尺度目标的适应能力。具体而言，定义x,y∈rc×h×w分别为卷积层的输入特征向量和输出特征向量，其中，wi∈rc×k×k’,i∈n为不同分支的卷积核。40.其中，x表示输入特征向量；y表示输出特征向量；c表示通道数；h表示特征图的高；w表示特征图的宽；r表示向量集合；wi表示卷积核；c、k、k’分别代表卷积核的通道数、高、宽。41.为了减少特征图中冗余的通道数，在每个分支中添加1×1的卷积层。在每一个分支中，卷积核wi的大小分别为1×1、3×3和5×5。为了减少参数，将原本的5×5卷积层替换为两个堆叠的3×3卷积层。另外，在1×1卷积层后增加一支直连(short-cut)非线性层的直连设计来增强特征提取的准确性。42.s122：采用膨胀卷积层进行特征提取。43.在保证神经网络中参数数目不变的前提下，在多分支卷积层的每个分支后添加具有与本分支卷积核大小相同膨胀系数r的膨胀卷积层。具体而言，当卷积核wi的大小为3×3时，该分支后接r为3的3×3膨胀卷积层，根据卷积核膨胀公式(1)，44.k＝r×(w-1)+1ꢀꢀꢀ(1)45.可得，3×3卷积层经过膨胀卷积后得到的卷积核k为7，将膨胀后的卷积层与多分支卷积层进行结合，进而我们可得膨胀卷积后图像的感受野从9扩大到81。同理可得，卷积核wi为1×1时，分支后接r为1的3×3膨胀卷积层，这相当于普通卷积；卷积核wi为5×5时，分支后接r为5的3×3膨胀卷积层，感受野进一步扩大。最后将所有分支的特征映射级联起来。图2是本发明alexnet网络中多尺度膨胀卷积一实施例的流程示意图。46.s130：将模板帧特征图和待检测帧特征图集输入模板动态更新模块，获得最终模板。47.其中，模板动态更新模块采用lstm(long short-term memory，长短期记忆网络)算法。lstm是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式。在标准rnn中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。48.在在线跟踪阶段，引入一种利用lstm控制最终模板生成的模板动态更新模块(template dynamic update，tdu)，有效解决siamesefc缺乏模板更新，长时跟踪目标漂移等问题。49.s140：利用待检测帧特征图集分别作为卷积核在最终模板帧特征上进行互相关卷积，得到相似度得分图集；利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置。50.本实施例提供一种无人机遥感目标追踪方法，选择结构简单、速度快的siamesefc作为基础网络，获得经过预处理的模板帧和待检测帧；将模板帧和待检测帧分别通过alexnet网络提取特征，得到模板帧特征图和待检测帧特征图集；将模板帧特征图和待检测帧特征图集输入采用lstm算法的模板动态更新模块，获得最终模板；利用待检测帧特征图集分别作为卷积核在最终模板帧特征上进行互相关卷积，得到相似度得分图集；利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置。通过上述方式，本实施例采用了简单的siamesefc网络，减少了计算量的同时，添加了实时模板更新机制，极大程度上地提高了无人机遥感目标追踪的跟踪精度和跟踪效率。51.在一些实施例中，在步骤s140：利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置之后，还包括步骤s150，具体地：52.s150：获得新位置的无人机跟踪目标，基于lstm网络和新位置的无人机跟踪目标确定无人机记忆模块的更新方式。53.请参阅图3-图4，图3是本发明包含模板更新的无人机遥感目标追踪方法一实施例的流程示意图；图4是本发明无人机遥感目标追踪方法中模板动态更新一实施例的流程示意图。54.具体地，基于lstm网络和无人机跟踪目标确定无人机记忆模块的更新情况，包括：55.引入注意力机制对待检测帧特征图集分别进行划分，经过平均池化后得到相应的特征向量；将特征向量和lstm参数输入lstm网络，获得剩余模板；基于剩余模板和初始目标模板获得最终模板，其中，模板帧信息包括目标模板。56.进一步地，将特征向量和lstm参数输入lstm网络，获得剩余模板，包括：57.将特征向量和lstm参数输入lstm网络，获得存储特征的信号；基于存储特征的信号，从记忆模块中调取与待检测帧最为匹配的目标特征集合并获得相应的加权权重；得到各目标特征在待检测帧的加权特征后，得到剩余模板。58.需要说明的是，此处的目标特征集合与前面的待检测帧特征图集{φ(x1),…,φ(x5)}不同。目标特征集合是跟踪过程中之前所有帧经过记忆模块更新后存入记忆模块中的目标特征，它包括之前帧的目标特征信息；待检测特征图集{φ(x1),…,φ(x5)}是当前待检测帧调整的分辨率相同但尺度不同的图像集。59.请参阅图4，为了在模板动态更新的过程中更准确地确定待检测帧中目标的位置，在lstm前引入注意力(attention)机制对待检测帧的特征图进行小块划分，经过平均池化后的特征向量at可以表示为：[0060][0061]其中，表示的是每个切块的特征向量，l是切块的个数，αt,i代表权重。可以通过如下式子表示[0062][0063]其中，rt,i表示第i切块的注意力机制；rt,k表示某一切块的注意力机制。[0064][0065]表示的是attention机制。ht-1和作为输入，ht-1是lstm中上一帧的隐藏状态，wa、wh、wf和b代表的是权重和误差。[0066]将at和ht-1作为输入传送到lstm中以获得控制记忆模块m读取存储特征的信号kt、βt和本帧的隐藏状态ht，其中kt用于待检测帧at与记忆模块m信息匹配，βt表示kt的可信度。[0067]kt＝wkht+bkꢀꢀꢀ(5)[0068]βt＝1+log(1+exp(wβht+bβ))ꢀꢀꢀ(6)[0069]wk、wβ、bk、bβ分别表示对应的权重和误差。[0070]通过kt、βt可以从记忆模块中调取与该待检测帧较为匹配的目标特征集合并获得相应的加权权重，其计算公式如下：[0071][0072]其中，表示的是记忆模块m平均池化生成的记忆密钥，c(x,y)是一种相似性度量函数，用于度量kt与的相似程度。[0073]得到各目标特征在待检测帧的加权特征后，可得剩余模板ttretr，计算公式为：[0074][0075]直接将剩余模板ttretr与待检测帧进行卷积容易造成目标特征的过拟合化进而导致跟踪漂移，因此，需要控制学习剩余模板的权重并加入初始模板避免模型过分依赖之前帧特征，使得最终模板ttfinal能够及时捕捉到目标的新变化，其计算公式如下：[0076]ttfinal＝to+rtttretrꢀꢀꢀꢀ(9)[0077]其中，rt∈rc表示的是lstm生成的控制参数，用来控制不同通道间模板的学习率。[0078]记忆模块可以用于存储新生成模板的特征信息。可选地，基于lstm网络和无人机跟踪目标确定无人机记忆模块的更新方式，包括：[0079]当新位置的无人机跟踪目标包含超过预设数量的无用信息时，新位置的无人机跟踪目标被舍弃；当新位置的无人机跟踪目标与预设跟踪目标的外观变化不超过阈值时，更新记忆模块；当新位置的无人机跟踪目标与预设跟踪目标的外观变化超过阈值时，将新位置的无人机跟踪目标存储至记忆模块。[0080]根据本发明提供的一种无人机遥感目标追踪方法，记忆模块的更新方式与记忆模块中特征被读取的频繁程度擦除因子ew和新的目标模板ttnew有关。其中，擦除因子用来控制记忆模块的特征更新以及特征重写。[0081]具体地，在跟踪结果图中修剪出无人机跟踪目标ot。由于无人机跟踪过程中，目标保持高动态更新变化，所以需要确认是否对记忆模块m进行更新。对于ot而言，可能出现的情况有：[0082]1.ot包含很多无用信息时，ot将被舍弃；[0083]2.ot相较于跟踪目标外观变化不明显时，记忆模块m将被更新；[0084]3.ot相较于跟踪目标外观变化明显时，ot将被存入记忆模块m中。[0085]我们以表示控制三种情况的权重，其计算公式为[0086][0087]其中，gw、gr、ga是由lstm控制的门信号，表示读取m的权重，表示为ot分配存储空间的权重，其定义为[0088][0089]其中表示记忆模块m中特征被读取的频繁程度，计算公式如下[0090][0091]由此可以看出，越大，ot与无人机跟踪目标特征越相似；越小，记忆模块m中特征被ot覆盖的可能性越大。[0092]最终，记忆模块m的更新方式为：[0093][0094]需要说明的是，将待检测帧特征图像分别作为卷积核在经过模板更新后的最终模板帧特征图上进行互相关卷积，得到相似度得分图集。利用双三次插值调整相似度得分图集的尺寸，得到跟踪结果图。[0095]针对无人机观测过程中，存在目标姿态多变和无人机观测姿态多变以及两者相对位置、距离多变等造成目标高动态更新的问题，且siamesefc缺少实时模板更新机制。因此，在在线跟踪阶段，引入目标模板更新模块，利用lstm控制目标特征的读取与更新以适应由目标旋转、姿态变化等造成跟踪漂移甚至失败的情况，有效提升整体模型的跟踪性能，利于长时跟踪。[0096]下面对本发明提供的无人机遥感目标追踪装置进行描述，下文描述的无人机遥感目标追踪装置与上文描述的无人机遥感目标追踪方法可相互对应参照。[0097]请参阅图5，图5是本发明无人机遥感目标追踪装置一实施例的结构示意图。在本实施例中，无人机遥感目标追踪装置可以包括：预处理模块510、特征提取模块520、模板动态更新模块530和追踪模块540。[0098]具体地，预处理模块510，用于获得经过预处理的模板帧和待检测帧。[0099]特征提取模块520，用于将模板帧和待检测帧分别通过alexnet网络提取特征，得到模板帧特征图和待检测帧特征图集。[0100]模板动态更新模块530，用于根据所述模板帧特征图和所述待检测帧特征图集得到最终模板；其中，所述模板动态更新模块采用lstm算法。[0101]追踪模块540，用于利用待检测帧特征图集分别作为卷积核在最终模板帧特征上进行互相关卷积，得到相似度得分图集；利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置。[0102]本发明提供一种无人机遥感目标追踪装置，选择结构简单、速度快的siamesefc作为基础网络，采用相似性度量方式，有效提高跟踪效率。[0103]在一些实施例中，特征提取模块520用于：利用多尺度膨胀卷积模块更改alexnet网络的conv层，使用分支池，不同的内核对应不同大小的rfs，应用膨胀卷积层来控制rfs偏心度，并对rfs进行重塑，获得新的特征提取网络；将模板帧和待检测帧分别通过新的特征提取网络提取特征，得到模板帧特征图和待检测帧特征图集。[0104]在一些实施例中，模板动态更新模块530用于：获得新位置的无人机跟踪目标；基于lstm网络和新位置的无人机跟踪目标确定无人机记忆模块的更新方式；其中，记忆模块用于存储模板帧信息。[0105]在一些实施例中，模板动态更新模块530用于：引入注意力机制对待检测帧特征图集分别进行划分，经过平均池化后得到相应的特征向量；将特征向量和lstm参数输入lstm网络，获得剩余模板；基于剩余模板和初始目标模板获得最终模板，其中，模板帧信息包括目标模板。[0106]在一些实施例中，模板动态更新模块530用于：将特征向量和lstm参数输入lstm网络，获得存储特征的信号；基于存储特征的信号，从记忆模块中调取与待检测帧最为匹配的目标特征集合并获得相应的加权权重；得到各目标特征在待检测帧的加权特征后，得到剩余模板。[0107]在一些实施例中，模板动态更新模块530用于：当新位置的无人机跟踪目标包含超过预设数量的无用信息时，新位置的无人机跟踪目标被舍弃；当新位置的无人机跟踪目标与预设跟踪目标的外观变化不超过阈值时，更新记忆模块；当新位置的无人机跟踪目标与预设跟踪目标的外观变化超过阈值时，将新位置的无人机跟踪目标存储至记忆模块。[0108]在一些实施例中，记忆模块的更新方式与记忆模块中特征被读取的频繁程度擦除因子ew和新的目标模板ttnew有关。[0109]本发明还提供一种电子设备，请参阅图6，图6是本发明电子设备一实施例的结构示意图。在本实施例中，电子设备600可以包括存储器(memory)610、处理器(processor)620及存储在存储器620上并可在处理器610上运行的计算机程序。处理器610执行程序时实现上述各方法所提供的无人机遥感目标追踪方法。[0110]可选地，电子设备600还可以包括通信总线630和通信接口(communications interface)640，其中，处理器610，通信接口640，存储器620通过通信总线630完成相互间的通信。处理器610可以调用存储器620中的逻辑指令，以执行无人机遥感目标追踪方法，该方法包括：获得经过预处理的模板帧和待检测帧；将模板帧和待检测帧分别通过alexnet网络提取特征，得到模板帧特征图和待检测帧特征图集；将模板帧特征图和待检测帧特征图集输入模板动态更新模块，获得最终模板；其中，模板动态更新模块采用lstm算法；利用待检测帧特征图集分别作为卷积核在最终模板帧特征上进行互相关卷积，得到相似度得分图集；利用双三次插值调整相似度得分图集的尺寸，以相似度得分图集中分数最高的地方作为模板帧中无人机跟踪目标所在的新位置。[0111]此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。[0112]另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的无人机遥感目标追踪方法，其步骤和原理在上述方法已详细介绍，在此不再赘述。[0113]以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。[0114]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。[0115]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!