基于深度强化学习的无人机目标跟踪研究

基于目标跟踪任务,阐述运用深度学习为我方无人机训练跟踪策略,寻找最适于无人机对目标跟踪的深度学习算法,建立了目标跟踪模型,并运用四种算法进行训练,比较了在线训练的指标以及离线执行时的结果,从而在双决斗深度Q学习和近端策略优化中取得了最好的训练效果。     

基于深度学习的无人机航拍目标检测与跟踪方法综述

基于视觉的目标检测与跟踪方法是当前最火热的研究方向之一。近年来,随着无人机技术的快速发展,利用无人机航拍技术进行目标检测与跟踪也成了研究的热点。对于无人机目标检测,首先探讨了无人机航拍目标检测与跟踪任务的复杂性和难点,并着重介绍了以深度学习为基础的目标检测算法;针对无人机目标跟踪技术,深入探讨了以相关滤波为基础和以深度学习为基础的两种判别式目标跟踪算法;最后,总结并展望了在无人机领域目标检测与跟踪技术的应用前景。     

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

一种基于深度学习的公路巡检无人机实时目标跟踪算法

公路中心标线的实时跟踪是公路巡检无人机视觉飞行中关键的一环.针对目前主流目标跟踪算法实时性差的问题,提出一种基于改进YOLO(you only look once)v3和Deep-SORT(deep simple online real-time tracking)的目标跟踪模型用于公路巡检无人机自主视觉飞行.通过引入...     

基于无人机平台的多目标跟踪算法

针对目前无人机平台多目标跟踪技术的跟踪精确度低、占用内存大的问题,提出了一种基于不同检测器算法和DeepSort算法结合而成的多目标跟踪算法,提高在无人机上对地面行人在跟踪数据集中的效果。使用深度学习的多目标跟踪技术通过构建卷积神经网络(Convolutional Neural Network, CNN),用卡尔曼滤波算法实现了对目标轨迹的预测,匈牙利算法则使卡尔曼滤波的预测结果得以分配,使DeepSort算法在保证跟踪效果的同时,也保证了跟踪时的速度。实验结果显示,DeepSort在与YOLOv5x检测器配合后,多目标跟踪精度可提高20%。     

应用于低空防御的实时多无人机检测与跟踪算法

针对低空环境下慢速飞行小型无人机检测与跟踪困难的问题,设计并实现一种基于深度学习的计算机视觉算法,实现对低慢小无人机的快速检测和稳定跟踪。采用基于深度学习的YOLOv8算法快速检测图像中的无人机目标,再用SORT多目标跟踪算法对前后帧的检测结果进行关联,生成目标航迹,实现稳定跟踪。所提算法运行在NVIDIA Jetson Orin硬件平台上。实验结果表明,该算法能实时检测并稳定跟踪目标,对防御低空慢速飞行小型无人机具有较高应用价值。     

无人机目标跟踪综述

目标跟踪是计算机视觉领域中最热门的研究方向之一。近些年来,随着无人机控制和定位技术的成熟,无人机目标跟踪成为了研究的热点。文章首先介绍了传统的目标跟踪算法在无人机平台上的应用研究成果。在此基础上介绍了基于多特征融合的目标跟踪算法对无人机跟踪的准确率的影响。最后还介绍了基于深度学习的目标跟踪算法在无人机上的应用。其中,基于深度学习的目标跟踪算法的在无人机目标跟踪上的准确率是最高的,然而其实时性还有待提高。随着AI芯片的发展,这一问题也将迎刃而解。     

基于多假设的多平台多目标数据关联方法

本文研究了一种面向航迹的多平台多假设数据关联算法，包括航迹树的构建、航迹得分计算、序列概率比检验、假设生成以及分支航迹剪枝等，在此基础上针对实装环境下点迹量大、虚假目标多的问题对算法进行了改进优化，并进行了仿真验证。     

基于深度学习算法和无人机遥感影像对植株的识别研究

传统的植株识别方法难以满足遥感影像数据的识别需求,在此情况下,急需一种有效的识别方法.本文分析了基于深度学习算法和无人机遥感影像对植株的识别,经分析显示,二者均具有一定的有效性,保证了植株识别的精度.     

基于深度学习的目标跟踪技术的研究综述

深度学习技术在计算机视觉领域的应用日趋广泛,基于深度学习的目标跟踪技术是当前计算机视觉领域的一项重要研究课题。文章首先对国内外目标跟踪技术的发展历程进行了回顾和梳理,详细介绍并对比了部分典型的基于深度学习的目标跟踪方法;然后介绍了几种目标跟踪领域的典型数据集;最后对基于深度学习的目标跟踪技术的研究进行了总结,并对未来的发展方向进行了展望。     

基于工地场景的深度学习目标跟踪算法

针对施工现场环境复杂,难以高效管理的问题.提出了基于工地场景的深度学习目标跟踪算法,辅助施工顺利进行.根据工地现场目标的连续性,构建增强群跟踪器,提升目标成功跟踪的概率.然后从滑动窗口、Stacked Denoising Auto Encoder（SDAE）和Support Vector Machine（SVM）三方面组建深度检测器.在滑动窗口方面：从梯度角度建立模型实现窗口自适应.在SDAE算法方面：构建反向算法微调网络参数.优化SVM算法降低跟踪时目标漂移和跟踪失败的概率,最终实现目标高精度跟踪.通过实验表明本文提出的算法可有效对目标进行跟踪,实现动态管理.     

基于位置敏感模型的深度跟踪算法研究

视觉目标跟踪旨在寻找与跟踪目标具有相同语义信息的样本,并在视频中精确定位样本的位置.最近,深度分类模型被用来提取跟踪目标的深度嵌入式特征,然而,由于深度分类模型给予相同类别的样本一样的标签,这样容易导致跟踪模糊,甚至失败.为了解决这个问题,本文将样本的空间位置信息加入深度分类模型中,提出位置敏感损失函数.本文所提出的损失函数不仅继承了分类损失函数的特性,并根据样本的空间位置信息对相同标签的样本进行了排序.也就是说,本文的损失函数可以同时实现类间可分和类内排序.相比于分类损失函数,本文的损失函数更适合目标跟踪任务.本文在OTB100^[1]和VOT2016^[2]上进行了测试,结果表明本文算法可以实现较好的跟踪性能.     

基于深度学习的目标检测技术的研究综述

深度学习已经成为机器视觉领域应用最为广泛的技术方法,基于深度学习的目标检测技术是当前的一项热门研究课题。文章首先对国内外目标检测技术的最新研究进展进行了梳理,并分析和总结了传统目标检测方法的优缺点;然后详细介绍了几种基于深度学习的目标检测技术及其优缺点;最后讨论了现阶段深度学习存在的问题和未来的发展方向。     

基于深度学习的雷达目标检测技术

根据纽曼-皮尔逊准则,恒虚警方法（CFAR）在虚警率10-6、检测概率90%的条件下,可检测目标的信噪比需大于12.8dB。由于可用于参考的环境单元有限且实际环境中杂波分布差异性大,特别是隐身、低慢小等目标的能量强度值很难达到检测门限的要求。本文基于深度学习方法,利用含杂波/噪声/干扰的目标距离多普勒(RD)域图像与相应理想情况下的目标RD图作为网络训练数据集,网络中的生成模型向判决模型提供抑制处理后的RD图,根据判决模型反馈来调整杂波抑制处理参数。这一动态对抗博弈的过程最终优化所得的生成模型将有效学习环境中杂波/噪声/干扰的特性并将其过滤。通过杂波、噪声和干扰环境下的实验证明,本文方法可以在RD域有效抑制杂波,增强目标信息,具备在实际杂波抑制场景下的可行性。     

一种实现机动目标跟踪的STF动态模型PDA算法

本文提出了一种基于强跟踪滤波器(STF)的模型结构动态调整的概率数据关联算法(STF-PDA).该算法提高了概率数据关联(PDA)算法的性能.在跟踪目标,尤其是在跟踪机动目标的性能上,理论分析表明该算法比基于KF或EKF的PDA方法优越.且与基于KF和EKF的PDA算法进行了实验结果比较,结果表明,本文提出的算法更为有效.     

编队目标跟踪的自适应相关波门算法

为解决空中编队目标跟踪过程中航迹关联的难题,提出一种基于目标运动状态的自适应相关波门算法。首先通过分析编队目标的运动特征,完成编队分割和编队速度的估计;然后将编队目标的速度方向作为约束自适应波门的条件,在跟踪过程中根据目标运动方向确定波门方向,并基于前一时刻编队中各目标的距离来选择波门尺寸,同时考虑测量误差和预测误差的影响。仿真结果表明：相对于传统的固定波门算法,在编队目标跟踪过程中,自适应波门算法在避免编队内目标航迹相互交错和保证跟踪稳定性方面可以达到较好的跟踪效果。     

多示例深度学习目标跟踪

为解决多示例跟踪算法中外观模型和运动模型不足导致跟踪精度不高的问题,该文提出多示例深度学习目标跟踪算法。针对原始多示例跟踪算法中采用Haar-like特征不能有效表达图像信息的缺点,利用深度去噪自编码器提取示例图像的有效特征,实现图像信息的本质表达,易于分类器正确分类,提高跟踪精度。针对多示例学习跟踪算法中选取弱特征向量不能更换,难以反映目标自身和外界条件变化的缺点,在选择弱分类器过程中,实时替换判别力最弱的特征以适应目标外观的变化。针对原始多示例跟踪算法中运动模型中仅假设帧间物体运动不会超过某个范围,不能有效反映目标的运动状态的缺点,引入粒子滤波算法对目标进行预测,提高跟踪的准确性。在复杂环境下不同图片序列实验结果表明,与多示例跟踪算法及其他跟踪算法相比,该文算法具有更高跟踪精确度和更好的鲁棒性。     

无人机跟踪地面目标制导控制方法

提出了基于自动驾驶仪的无人机跟踪地面目标的制导、控制架构,将"无人机+自动驾驶仪"的组合看作是以滚转角、飞行高度和速度为控制输入的动态系统。在横侧向,相比下一时刻,根据无人机的航迹方位角误差以及无人机与目标点在水平面内相对距离与期望盘旋半径的误差,给出滚转角指令的制导规律,并对制导指令的生成周期进行了研究;对于纵向,为降低目标状态估计对于姿态误差的敏感度,结合传感器分辨率的要求,给出了解算飞行高度指令的方法。无人机六自由度模型的仿真对比表明,所提跟踪制导律相比李亚普诺夫向量场法(LVFG)和切向量场法(TVFG)具有更优的稳定性和准确性。