空中小目标跟踪:MDNet与AR模型的自适应方法

2 下载量 151 浏览量 更新于2024-08-27 收藏 11.18MB PDF 举报
"基于多域卷积神经网络与自回归模型的空中小目标自适应跟踪方法,通过结合MDNet和AR模型解决卫星跟踪中的小目标漂移问题,提高跟踪精度和稳定性。" 本文介绍了一种创新的小目标跟踪方法,特别适用于在复杂背景如星空下的卫星跟踪任务。该方法的核心是利用多域卷积神经网络(MDNet)和自回归(AR)模型,以解决小目标与伪目标交会时产生的跟踪漂移问题。 首先,MDNet被用于图像序列的处理,尤其是在第一帧中对正样本进行bounding-box回归模型的训练。MDNet是一种深度学习模型,其特点是能够在多个域(如颜色、纹理等)上捕获特征,从而增强对小目标的识别能力。通过训练,MDNet可以识别和定位小目标,即使它们在复杂环境中变化或模糊。 接着,应用最小信息准则和最小二乘法来确定AR模型的阶数和参数。AR模型是一种时间序列分析工具,能够根据过去的目标位置预测未来的运动轨迹。在本研究中,AR模型被用来估计目标的运动状态,预测下一时刻的目标位置,从而减少因目标运动导致的跟踪误差。 最后,预测的目标位置被用作MDNet的新的采样中心,限制了搜索区域,确保候选框更加集中在目标周围。这一步骤进一步提高了目标检测的准确性,并减少了误检的可能性。通过bounding-box回归模型对目标位置进行微调,确保跟踪的连续性和稳定性。 实验部分,作者对比了8种不同的跟踪方法在8组复杂场景视频序列上的表现,结果显示,本文提出的自适应跟踪方法在成功率和平均覆盖率方面均优于其他7种典型算法,显示出高精度和强鲁棒性。 关键词涉及的领域包括机器视觉、小目标跟踪、多域卷积神经网络和自回归模型。这些技术的应用表明,结合深度学习与统计建模可以有效地解决实际问题,特别是在动态环境中的目标追踪。 这项工作提供了一个高效的小目标跟踪框架,它将深度学习的图像分析能力与统计预测模型相结合,为解决卫星跟踪和其他类似领域的挑战提供了新思路。这种方法的优越性能表明,在未来,类似的混合模型可能会在更广泛的领域得到应用。