随着无人机技术在**、民用等领域的广泛运用,高精度、低功耗智能无人机跟踪系统的需求也日益增多。针对无人机跟踪任务中目标尺度变化大、视野角度多变、遮挡等问题,提出了一种基于轻量级Siamese注意力网络的无人机实时跟踪算法。首先,选取易于部署在嵌入式设备中的轻量级卷积神经网络MobileNetV2作为特征提取主干网络;接着,设计通道空间协同注意力模块,增强模型的适应能力与判别能力;然后,搭载区域建议网络,通过互相关获取前景背景分类和边界框回归响应图;最后,加权融合多层响应图,调整候选区域筛选策略,计算得到更加准确的跟踪结果。在无人机跟踪数据集上的仿真实验结果表明,相对于当前主流算法SiamRPN,该算法跟踪精度提升了3.5%,能更好地应对复杂多变的场景。同时,在NIVIDA RTX 2060 GPU上,跟踪速度达到60 frame/s。

针对Edge Boxes算法召回率不高的问题, 并结合目标的显著性检测, 提出了一种基于颜色距离与Edge Boxes候选区域算法。首先利用结构化边缘检测算子获取图像的边缘特征, 并通过边缘点聚合及边缘段相似性策略, 获取每个边缘段的权值; 其次, 在待检测图像上无重叠采样若干图像块, 记作C图像块, 并将C图像块向周边延拓像素, 获取S图像块; 然后, 根据颜色直方图, 计算两图像块各颜色通道的卡方距离, 并赋予合适权重作为该C图像块的显著性得分; 最后, 统计滑动窗口内边缘段的数量和C图像块数, 确定候选区域。在PASCAL VOC 2007验证集上实验, 当交并比取05, 0.6, 0.7, 候选区域个数为2 000时, 与Edge Boxes相比, 所提算法的召回率分别提高了0.46%, 0.35%, 0.57%。每张图像的运行时间大约为0.43 s, 这表明, 所提算法以牺牲微小计算资源却能够有效改善候选区域质量。

为提高复杂场景中目标跟踪算法的准确性与实时性,提出一种基于多层深度卷积特征的抗遮挡实时目标跟踪算法。针对目标跟踪任务,先对深度卷积网络VGG-Net-19进行微调,再提取目标区域的多层深度卷积特征。根据相关滤波框架构建位置相关滤波器,确定目标中心位置。设计尺度相关滤波器对目标区域进行不同尺度采样,确定目标尺度。目标遮挡时,采用阶段性评估策略进行模型更新与恢复,解决模型误差积累问题。选取目标跟踪评估数据集OTB-2015(100组视频序列)与UAV123(123组视频序列)进行测试。实验结果表明,本文算法具有更高的准确性,能够适应目标遮挡、外观变化及背景干扰等复杂情况,平均速度为29.6 frame/s,满足目标跟踪任务的实时性要求。