本技术涉及人工智能，尤其是涉及一种小型飞行器检测跟踪方法、装置、设备及存储介质。
背景技术：
1、对于民用小型飞行器有效监管的技术路线主要包括：雷达探测、微波照射、电磁检测和光电跟踪等；然而，由于雷达、微波以及电磁的成本限制，雷达探测、微波照射、电磁检测和光电跟踪等方法并不适宜普遍推广。
2、目前，在可视范围内，针对民用小型飞行器的飞行特点，人们设计开发了基于机器视觉算法，采用人工智能算法实现目标的检测和跟踪，从而解决了技术路线存在的设备昂贵等问题；然而该基于机器视觉算法的检测和跟踪方法检测和跟踪的精度较低。
技术实现思路
1、为了有助于解决基于机器视觉算法的检测和跟踪方法检测和跟踪的精度较低的问题，本技术提供一种小型飞行器检测跟踪方法、装置、设备及存储介质。
2、第一方面，本技术提供一种小型飞行器检测跟踪方法，采用如下技术方案：所述方法包括：
3、获取实时拍摄的视频，所述视频包括小型飞行器图像，所述小型飞行器为待检测的目标；
4、将所述视频输入训练完成的yolov7-tiny目标检测模型，识别所述目标并对识别的所述目标进行标记；
5、在识别的所述目标中选定待跟踪目标，采用训练完成的核相关滤波算法对所述待跟踪目标进行跟踪；
6、判断所述待跟踪目标是否跟踪丢失，若所述待跟踪目标跟踪丢失，则重新检测所述待跟踪目标。
7、在一个具体的可实施方案中，所述yolov7-tiny目标检测模型包括mpconv模块和acmix模块，所述yolov7-tiny目标检测模型训练方式包括：
8、获取实时拍摄的训练样本视频，将所述训练集样本视频分割成若干训练样本图像；
9、调用所述mpconv模块将所述训练样本图像平均分割成四个训练样本子图；
10、对四个所述训练样本子图进行卷积操作，并生成卷积图像特征图；
11、调用所述acmix模块对所述卷积图像特征图进行处理，并输出多个高维度特征图；
12、将所有所述高维度特征图进行拼接，并输出完整特征图；
13、构建目标检测损失函数，若所述目标检测损失函数的值满足预设的阈值，则所述yolov7-tiny目标检测模型训练完成。
14、在一个具体的可实施方案中，所述构建目标检测损失函数包括：
15、采用siou构建所述目标检测损失函数，所述目标检测损失函数包括角度损失；
16、所述角度损失包括：
17、；
18、其中，表示角度损失，表示所述目标的预测框的中心点和所述目标的真实框的中心点的高度差，表示所述目标的预测框的中心点和所述目标的真实框的中心点的距离。
19、在一个具体的可实施方案中，所述核相关滤波算法的训练方式包括：
20、获取跟踪样本视频，所述跟踪样本视频包括若干图像，每帧图像中包括待跟踪目标的目标区域；
21、构建岭回归分类器和所述岭回归分类器的目标优化函数，并根据所述目标优化函数构建滤波模板；
22、提取每帧图像中所述目标区域的hog特征，并生成hog特征循环矩阵；
23、对所述目标区域的所述hog特征循环矩阵和所述滤波模板进行傅里叶变换，获得所述目标区域的响应特征图；
24、计算所述目标区域的响应特征图的峰值，根据所述目标区域的响应特征图的峰值确定所述待跟踪目标的移动偏差，找到每帧图像中待跟踪目标的位置并更新所述滤波模板；
25、采用高斯加权算法对所述滤波模板进行去噪，并生成目标模板。
26、在一个具体的可实施方案中，在所述采用高斯加权算法对所述滤波模板进行去噪，并生成目标模板之后，还包括：
27、提取所述待跟踪目标不同尺度的目标区域，分别计算不同尺度的目标区域对应的响应特征图的峰值；
28、根据所述不同尺度的目标区域对应的响应特征图的峰值，采用匹配算法确定所述待跟踪目标的目标区域对应的目标匹配模板。
29、在一个具体的可实施方案中，所述判断所述待跟踪目标是否跟踪丢失，若所述待跟踪目标跟踪丢失，则重新检测所述待跟踪目标包括：
30、采用apce置信度结合图像的响应变化梯度的判别算法判断所述待跟踪目标是否跟踪丢失；
31、若判别结果符合预设规则，则所述待跟踪目标未跟踪丢失；
32、若判别结果不符合预设规则，则所述待跟踪目标跟踪丢失，重新检测所述待跟踪目标。
33、在一个具体的可实施方案中，所述apce置信度判别算法包括：
34、；
35、其中，表示所述目标区域中的最大与最小响应之间的变化程度，表示第i帧图像的最大响应值，表示第i帧图像的最小响应值，w表示所述目标区域检测窗口的长度，h表示所述目标区域检测窗口的宽度，n表示所述视频中图像的帧数；
36、所述响应变化梯度包括：
37、；
38、其中，表示所述小型飞行器图像响应的变化梯度，和分别表示连续两帧图像的响应变化。
39、第二方面，本技术提供一种小型飞行器检测跟踪装置，采用如下技术方案：所述装置包括：
40、视频获取模块，用于获取实时拍摄的视频，所述视频包括小型飞行器图像，所述小型飞行器为待检测的目标；
41、目标识别模块，用于将所述视频输入训练完成的yolov7-tiny目标检测模型，识别所述目标并对识别的所述目标进行标记；
42、目标跟踪模块，用于在识别的所述目标中选定待跟踪目标，采用训练完成的核相关滤波算法对所述待跟踪目标进行跟踪；
43、跟踪判断模块，用于判断所述待跟踪目标是否跟踪丢失，若所述待跟踪目标跟踪丢失，则重新检测所述待跟踪目标。
44、第三方面，本技术提供一种计算机设备，采用如下技术方案：包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述任一种小型飞行器检测跟踪方法的计算机程序。
45、第四方面，本技术提供一种计算机可读存储介质，采用如下技术方案：存储有能够被处理器加载并执行上述任一种小型飞行器检测跟踪方法的计算机程序。
46、综上所述，本技术具有以下有益技术效果：
47、采用训练完成的yolov7-tiny目标检测模型对小型飞行器进行目标检测，在训练完成的yolov7-tiny目标检测模型中进行了改进以提升小目标检测的精度；此外，为应对目标快速移动导致跟踪丢失问题，构建了重检测定位机制，重新检测目标后继续进行目标跟踪，从而提升目标检测和跟踪的精度，以确保目标可以被检测识别到，并且可以持续跟踪直至目标飞离目标场景。在核相关滤波器算法的训练中，采用高斯加权法去噪，减小滤波模板周围环境的影响，提升算法的在复杂背景下的环境适应性。此外，训练kcf算法时采用多尺度目标响应分析算法更新去噪后的目标模板，提升目标模板对目标尺度变化的适应能力，从而可以进一步提升对目标跟踪的准确度。
1.一种小型飞行器检测跟踪方法，其特征在于：所述方法包括：
2.根据权利要求1所述的方法，其特征在于：所述构建目标检测损失函数包括：
3.根据权利要求1所述的方法，其特征在于：所述核相关滤波算法的训练方式包括：
4.根据权利要求3所述的方法，其特征在于：在所述采用高斯加权算法对所述滤波模板进行去噪，并生成目标模板之后，还包括：
5.根据权利要求1所述的方法，其特征在于：所述判断所述待跟踪目标是否跟踪丢失，若所述待跟踪目标跟踪丢失，则重新检测所述待跟踪目标包括：
6.根据权利要求5所述的方法，其特征在于：apce置信度判别算法包括：
7.一种小型飞行器检测跟踪装置，用于实现权利要求1至6中任意一项所述的小型飞行器检测跟踪方法，其特征在于：所述装置包括：
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至6中任一种所述方法的计算机程序。
9.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至6中任一种所述方法的计算机程序。
