(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210445628.7 (22)申请日 2022.04.24 (71)申请人 汕头大学 地址 515063 广东省汕头市大 学路汕头大 学 (72)发明人 蔡浩　覃大创　许建龙　熊智　 朱长盛　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 刘力 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/277(2017.01) G06V 20/40(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多旋翼无 人机的轨 迹跟踪方法及系统 (57)摘要 本发明公开了一种多旋翼无人机的轨迹跟 踪方法及系统， 其方法包括： 获取若干个多旋翼 无人机执行飞行任务时的视频图像； 对视频图像 所包含的每一帧图像进行目标识别检测， 获取每 一帧图像所包含的所有多旋翼无人机的位置检 测结果和所属无人机类别； 根据每一帧图像所包 含的所有多旋翼无人机的位置检测结果对每一 帧图像进行外观特征提取， 得到每一帧图像所包 含的所有多旋翼无人机的外观特征检测结果； 将 每一帧图像所包含的所有多旋翼无人机的外观 特征检测结果应用到DeepSort算法中， 根据每一 帧图像所包含的所有多旋翼无人机的位置检测 结果对若干个多旋翼无人机的运动轨迹进行逐 帧匹配。 本发 明可提高对若干个多旋翼无人机的 运动轨迹跟踪效果。 权利要求书2页 说明书6页 附图3页 CN 114757974 A 2022.07.15 CN 114757974 A 1.一种多旋翼无 人机的轨 迹跟踪方法， 其特 征在于， 所述方法包括： 获取若干个多旋翼无 人机执行飞行任务时的视频图像； 对所述视频图像所包含的每一帧图像进行目标识别检测， 获取每一帧图像所包含的所 有多旋翼无 人机的位置检测结果和所属无 人机类别； 根据每一帧图像所包含的所有多旋翼无人机的位置检测结果对每一帧图像进行外观 特征提取， 得到每一帧图像所包 含的所有 多旋翼无 人机的外观特 征检测结果； 将每一帧图像所包含的所有多旋翼无人机的外观特征检测结果应用到DeepSort算法 中， 根据每一帧图像所包含的所有多旋翼无人机的位置检测结果对所述若干个多旋翼无人 机的运动轨 迹进行逐帧匹配。 2.根据权利要求1所述的多旋翼无人机的轨迹跟踪方法， 其特征在于， 所述对所述视频 图像所包含的每一帧图像进行目标识别检测， 获取每一帧图像所包含的所有多旋翼无人机 的位置检测结果和所属无 人机类别包括： 利用预先搭建的第一卷积神经网络对所述视频图像所包含的每一帧图像进行主干特 征提取， 得到每一帧图像所包 含的低层特 征数据和高层特 征数据； 利用UAV‑FPN神经网络对每一帧图像所包含的低层特征数据和高层特征数据进行特征 融合， 得到每一帧图像所包 含的融合特 征数据； 利用YOLOHead预测网络对每一帧图像所包含的融合特征数据进行特征转换， 得到每一 帧图像所包 含的所有 多旋翼无 人机的位置检测结果和所属无 人机类别。 3.根据权利要求2所述的多旋翼无人机的轨迹跟踪方法， 其特征在于， 所述第 一卷积神 经网络包括依次顺序连接的输入处理模块、 低层特征提取模块和高层特征提取模块； 其中， 所述预处理模块用于从任意一帧图像中提取出下采样特征数据， 所述低层特征提取模块用 于从所述下采样特征数据中提取出低层特征数据， 所述高层特征提取模块用于从所述低层 特征数据中进一 步提取出高层特 征数据。 4.根据权利要求3所述的多旋翼无人机的轨迹跟踪方法， 其特征在于， 所述输入处理模 块包括依次连接的输入层和Focus结构层， 所述低层特征提取模块包括依次连接的第一 BaseBlock、 第二BaseBlock、 第一残差卷积层、 第三BaseBlock、 第二残差卷积层、 第四 BaseBlock、 第一空间金字塔池化层和第三残差卷积层， 所述高层特征提取模块包括依次连 接的第五BaseBl ock、 第二空间金字塔池化层和第四残差卷积层。 5.根据权利要求4所述的多旋翼无人机的轨迹跟踪方法， 其特征在于， 任意一个 BaseBlock包括依次连接的输入层、 二维卷积层、 最大池化层和激活层。 6.根据权利要求1所述的多旋翼无人机的轨迹跟踪方法， 其特征在于， 所述根据每一帧 图像所包含的所有多旋翼无人机的位置检测结果对每一帧图像进 行外观特征提取， 得到每 一帧图像所包 含的所有 多旋翼无 人机的外观特 征检测结果包括： 根据每一帧图像所包含的所有多旋翼无人机的位置检测结果， 从每一帧图像中截取出 每一个多旋翼无 人机的所在区域图像； 利用预先搭建的第二卷积神经网络对每一个多旋翼无人机的所在区域图像进行特征 提取， 得到每一个多旋翼无 人机的外观特 征向量。 7.根据权利要求6所述的多旋翼无人机的轨迹跟踪方法， 其特征在于， 所述第 二卷积神 经网络包括依 次连接的输入层、 卷积层、 平均池化层和归一化层； 其中， 所述卷积层用于从权　利　要　求　书 1/2 页 2 CN 114757974 A 2每一个多旋翼无人机的所在区域图像中提取出该多旋翼无人机的全局外观特征数据， 所述 平均池化层用于对所述全局外观特征数据进 行向量模调整， 所述归一化层用于将调整后的 全局外观特 征数据转换为外观特 征向量。 8.一种多旋翼无 人机的轨 迹跟踪系统， 其特 征在于， 所述系统包括： 至少一个处 理器； 至少一个存 储器， 用于存 储至少一个程序； 当所述至少一个程序被所述至少一个处理器执行， 使得所述至少一个处理器实现如权 利要求1至7中任意 一项所述的多旋翼无 人机的轨 迹跟踪方法。权　利　要　求　书 2/2 页 3 CN 114757974 A 3