基于无监督学习的无人机目标跟踪

随着计算机视觉领域中各项研究的发展,目标跟踪变得越来越热门,在各行各业得到广泛应用.基于无人机的目标跟踪也随之得到发展.相比于普通的目标跟踪,利用无人机进行目标跟踪有不少优势,但是也存在一些挑战.针对有关无人机目标跟踪的数据集有限,数据质量不高,且部分数据集中数据缺少统一标注的情况,基于无监督学习,设计了一种新的无人机...     

多特征重检测的相关滤波无人机视觉跟踪

无人机视觉跟踪是视觉跟踪未来应用的核心领域,其由于跟踪目标像幅较小、表 观不清且易受到无人机飞行姿态多变、飞行稳定性差等因素的影响而难以对目标进行鲁棒的跟 踪,特别是发生跟踪遮挡时,算法跟踪漂移后无法进行模型的更新。为提高无人机视频的跟踪 效果,提出一种多特征重检测跟踪方法。首先采用多特征融合的方式提高跟踪算法在无人机跟 踪特征的判别性。其次目标在出现遮挡时,扩大搜索区域,采用滑动窗口采样找到置信度最高 的目标区域并实现模型更新。通过一系列无人机视频实验结果表明,该算法在遇到遮挡问题时 具有较好的鲁棒性,能够提高无人机在目标跟踪过程中的准确性。     

指定域多无人机协同目标跟踪研究

由于战场环境日益复杂、对抗性日益增强、任务日益多样和单机能力受限特性,多无人机协同执行作战任务已经成为无人机系统应用的重要发展趋势;针对协同作战中的系统复杂性、时间敏感性和通信计复杂性等特点进行分析,结合无人机运动性能及自主协同控制能力提出指定域多无人机协同目标跟踪的研究模型;首先建立面向战术任务的多无人机协同目标跟踪模型,其次在指定域范围内对多无人机进行面向持续跟踪模型的优化,最后选取一定数量的无人机在指定域内进行仿真,实验结果表明：面向持续的指定域多无人机协同目标跟踪模型是有效的,且具有较好的目标状态估计性能。     

3维动态环境下的无人机路径跟踪算法

针对固定翼无人机在动态环境下沿参考轨迹飞行时可能与未知障碍物发生碰撞的问题,提出了可实时避障的路径跟踪算法.采用3维毕达哥拉斯速端曲线(PH)作为参考飞行路径.PH曲线具有曲率连续、曲线平滑等特性,能满足固定翼无人机运动学约束,适于无人机飞行跟踪控制实现.给出了3维空间内稳定跟踪参数化曲线路径的充分条件.设计了非线性模型预测控制器使无人机能稳定跟踪3维PH参考路径,并改进了目标函数形式使无人机在沿参考路径飞行时能及时避开环境中未知的大型静止障碍物和移动障碍物,在避障后继续朝目标点飞行.最后通过MATLAB仿真实验验证了算法的有效性.     

无人机多机动目标自主探测与跟踪

无人机机载相机图像中机动目标尺寸较小而且会发生显著变化,加上大量的背景噪声干扰,给目标探测和跟踪带来很大困难.针对这些问题,本文提出了一种在无人机机载相机图像序列中自主探测与跟踪多个机动目标的方法.首先,提取目标的图像数字特征并采用级联分类算法进行特征分类,得到目标的强分类器,对目标进行自主探测搜索.然后,基于全局最优关联算法对探测回波进行关联滤波,实现对多个机动目标的跟踪与识别,其中最优关联代价矩阵融合了距离和方向信息,提高了关联和跟踪的鲁棒性.将无人机航拍图像序列中的地面坦克作为目标进行实验,结果表明本文算法可以实现对多个机动目标的自主探测和跟踪,并具有较好的跟踪鲁棒性.     

基于通信与观测联合优化的多无人机协同目标跟踪控制

为了提高目标跟踪任务的执行效能,提出一种基于通信与观测联合优化的多无人机协同运动目标跟踪控制方法.建立以信息成功传递概率描述的通信链路模型,采用扩展信息滤波实现目标状态融合估计与预测,使用Fisher信息矩阵对无人机观测所获取的信息进行表征.通过将信息成功传输概率引入到优化指标函数中,建立多无人机协同目标跟踪运动控制的滚动时域优化模型,实现通信与观测的联合优化,而这种联合优化体现在提高无人机与地面站之间信息成功传输概率与降低目标状态估计不确定性之间的折中.与不考虑通信优化的跟踪控制对比表明,所提方法可以提高跟踪过程中各架无人机与地面站之间的信息传输概率,使目标状态的全局融合估计结果更精确、更有效.     

一种双无人机协同跟踪地面移动目标方法

针对通信延时情况下双无人机协同跟踪地面移动目标问题进行研究, 构建了基于分布式遗传算法和滚动时域优化结合的目标跟踪航迹规划算法模型。考虑到通信延时会增加目标状态信息数据融合时的误差, 导致无人机跟踪任务效果变差, 结合递推最小二乘滤波和加权最小二乘估计设计了融合方法, 来融合处理目标状态信息; 考虑到无人机对目标的观测效果与未来时刻的目标状态信息密切相关, 采用递推最小二乘滤波预测目标的状态信息, 结合分布式遗传算法和滚动时域优化设计了双无人机目标跟踪航迹规划算法。适应度函数考虑了无人机和目标之间的距离、无人机之间的通信距离、无人机之间的通信角度。仿真结果表明：该协同跟踪方法能够较好地完成跟踪任务; 与一架无人机跟踪相比误差明显减小, 并且可以减小通信延时带来的跟踪误差。     

基于自适应粒子滤波的无人机目标跟踪算法研究

随着人工智能技术的发展以及数字图像处理技术的应用日渐普及,目标跟踪成为国内外学者的研究热点,该文针对无人机目标跟踪易受遮挡、形变、等复杂背景的干扰导致跟踪失败等问题提出一种基于自适应的粒子滤波的无人机目标跟踪算法。实验结果表明,该算法能有效地减少因复杂因素干扰导致的目标跟踪精度下降的问题,具有良好的鲁棒性。     

考虑信息成功传递概率的多无人机协同目标最优观测与跟踪

针对考虑通信因素的多无人机协同目标最优观测与跟踪问题, 引入费舍信息矩阵对无人机探测所获取的信息进行表征, 考虑无线通信链路特性并对无人机间信息成功传递概率进行建模. 以无人机群体所获取的关于目标的信息量为指标函数, 分别建立是否考虑通信因素情况下的多机协同目标最优观测及跟踪问题模型. 对两种情况下的多机协同目标观测与跟踪进行仿真比较, 仿真结果验证了所建模型的有效性, 并体现了通信因素的重要影响.

     

基于光照自适应动态一致性的无人机目标跟踪

无人机跟踪任务经常面临各种光线变化场景,然而无人机跟踪方法主要在光线充足下实现鲁棒跟踪。提出一种具有光照自适应性和跨帧语义感知动态一致性评估的无人机跟踪方法,实现光线不足下的无人机目标跟踪。首先构建光照自适应模块对昏暗场景进行识别,对视频图像的光照强度进行补偿;其次构建目标模板训练具有目标感知能力的滤波器进行相关运算,并利用跨帧之间的响应信息进行一致性评估;最后构建动态约束策略并对响应差异进行约束,使跟踪器保持时间平滑。在UAVDark135和UAV123数据集上,与9种先进算法进行对比实验,结果表明该算法具有较好的跟踪性能。     

动态云台摄像机无人机检测与跟踪算法

为应对小型无人机的黑飞、滥飞对个人隐私、公共安全造成的威胁,本文采用高清云台摄像机定点巡航的方式对近地动态复杂背景中的无人机进行检测与跟踪,并提出了一种适用于动态云台摄像机的闭环无人机检测与跟踪算法,包含检测与跟踪两种模式。在检测模式下,本文设计了一种基于运动背景补偿的运动目标检测算法来提取分类候选区域,然后利用基于神经网络结构搜索得到的轻量级卷积神经网络对候选区域进行分类识别,可在不缩小高清视频图像的条件下实现无人机检测;在跟踪模式下,本文提出了一种结合卡尔曼滤波的局部搜索区域重定位策略改进了核相关滤波跟踪算法,使之在高清云台伺服追踪过程中仍能对目标进行快速稳定的跟踪;为将检测模式与跟踪模式结合在闭环框架中,本文还提出了一种基于检测概率和跟踪响应图状态的自适应检测与跟踪切换机制。实验表明,本文算法可应用于定点巡航状态的高清云台摄像机,实现近地复杂动态背景中无人机的实时准确检测、识别与快速跟踪。     

融合图像显著性与特征点匹配的形变目标跟踪

目的 针对目标在跟踪过程中出现剧烈形变,特别是剧烈尺度变化的而导致跟踪失败情况,提出融合图像显著性与特征点匹配的目标跟踪算法。方法 首先利用改进的BRISK（binary robust invariant scalable keypoints）特征点检测算法,对视频序列中的初始帧提取特征点,确定跟踪算法中的目标模板和目标模板特征点集合;接着对当前帧进行特征点检测,并与目标模板特征点集合利用FLANN（fast approximate nearest neighbor search library）方法进行匹配得到匹配特征点子集;然后融合匹配特征点和光流特征点确定可靠特征点集;再后基于可靠特征点集和目标模板特征点集计算单应性变换矩阵粗确定目标跟踪框,继而基于LC（local contrast）图像显著性精确定目标跟踪框;最后融合图像显著性和可靠特征点自适应确定目标跟踪框。当连续三帧目标发生剧烈形变时,更新目标模板和目标模板特征点集。结果 为了验证算法性能,在OTB2013数据集中挑选出具有形变特性的8个视频序列,共2214帧图像作为实验数据集。在重合度实验中,本文算法能够达到0.567 1的平均重合度,优于当前先进的跟踪算法;在重合度成功率实验中,本文算法也比当前先进的跟踪算法具有更好的跟踪效果。最后利用Vega Prime仿真了无人机快速抵近飞行下目标出现剧烈形变的航拍视频序列,序列中目标的最大形变量超过14,帧间最大形变量达到1.72,实验表明本文算法在该视频序列上具有更好的跟踪效果。本文算法具有较好的实时性,平均帧率48.6帧/s。结论 本文算法能够实时准确的跟踪剧烈形变的目标,特别是剧烈尺度变化的目标。     

基于粒子群优化算法和Uniform LBP特征的分块跟踪

针对鲁棒分块跟踪采用穷举的搜索策略以及对光照敏感等问题,提出了一种基于粒子群优化算法和Uniform LBP特征的分块跟踪方法。利用统一的局部二值模式（Uniform Local Binary Pattern）特征对光照的不变性以及计算效率高的特点,在原鲁棒分块跟踪方法以灰度积分直方图作为特征的基础上,添加了Uniform LBP特征;利用粒子群优化算法具有精度高,收敛快的特点,将PSO算法运用到对候选目标的搜索中。实验结果表明,在不降低算法运行速度的情况下,以及光照变化较大,短时间目标完全遮挡的跟踪环境下,该算法鲁棒性显著增强。     

改进的SSD航拍目标检测方法

近年来,无人机技术的快速发展使得无人机地面目标检测技术成为计算机视觉领域的重要研究方向,无人机在军事侦察、交通管制等场景中具有普遍的应用价值.针对无人机场景下目标分辨率低、尺度变化大、相机快速运动、目标遮挡和光照变化等问题,提出一种基于残差网络的航拍目标检测算法.在SSD（single shot multibox detector）目标检测算法的基础上,用表征能力更强的残差网络进行基准网络的替换,用残差学习降低网络训练难度,提高目标检测精度;引入跳跃连接机制降低提取特征的冗余度,解决层数增加出现的性能退化问题.同时,针对SSD目标检测算法存在的目标重复检测和小样本漏检问题,提出一种基于特征融合的航拍目标检测算法.算法引入不同分类层的特征融合机制,把网络结构中低层视觉特征与高层语义特征有机地结合在一起.实验结果表明,算法在检测准确性和实时性方面均具有较好的表现.     

基于改进Yolov5s的无人机火灾图像检测算法

为了解决现有火灾检测算法模型复杂,实时性差,难以部署在无人机平台的问题,通过改进Yolov5s算法对无人机火灾图像目标检测进行分析研究。利用搭载高清摄像头的无人机设备获取的火灾图像、公开数据集、互联网航拍视频自主建立无人机火灾图像数据集;采用轻量化模型Yolov5s为基础模型,MobileNetV3作为特征提取主干网络,降低模型参数和计算量,解决实时性差和模型部署的问题;模型颈部引入注意力模块CBAM,综合了通道和空间信息,加强网络对高层次语义信息的传递;修改模型检测头部结构,增强小目标检测能力。通过消融试验对比分析各个模块对模型的影响,与常见火灾模型进行对比分析,分析本文算法的优劣。算法在自建数据上的平均精度达到78.2%,模型大小为6.7M,单帧（640×640）图像处理时间为15.2ms。实验结果表明,本文算法模型简单、实时性好,为火灾检测算法部署在无人机平台奠定技术基础。     

锥套跟踪的自适应核窗口Meanshift算法

为提高软管式自主空中加油视觉导航的实时性,提出了一种基于Meanshift算法改进算法——自适应核窗口跟踪算法,用于锥套目标的跟踪,可大幅度提升算法的实时性。以加油锥套内部的黑色圆形区域为最终的跟踪目标,检测算法主要提供初始锥套的相对位置,检测准确可靠;然后将锥套的位置信息作为自适应核窗口跟踪算法的输入以更新跟踪目标,实现锥套图像目标的跟踪,处理速度快,精度满足要求。最终实验结果分别从有效性、快速性以及准确性对检测和跟踪方法进行了分析对比,在基本上不影响精度的情况下,跟踪处理时间比检测时间降低了30%左右,效果显著。提出的自适应核窗口跟踪算法快速有效,精度与全局检测精度相差无几,处理速度提升了30%,可靠性在95%以上。     

基于改进TLD算法的无人机自主精准降落

四旋翼无人机（Unmanned Aerial Vehicle,UAV）在航拍、测绘、环境监测、快递等航空领域的广泛应用,对四旋翼无人机的可用性和可靠性提出了更高的要求,而其实现自主精准降落的功能是必不可少的。对目标进行快速鲁棒性跟踪是实现降落的重要基础,TLD（Tracking Learning Detector）算法为这一问题提供了一种有效的解决办法,虽然许多学者对其进行了研究并对传统的TLD算法进行了改进,但算法的跟踪精度及速度仍然难以满足无人机的降落要求。提出了一种基于TLD框架的目标跟踪算法来实现无人机与特定降落目标之间的相对定位。该算法在TLD框架下,提出一种基于目标形状特征自主确定降落目标的算法,提高了降落流程的自主性;用核相关滤波器（Kernelized Correlation Filter,KCF） 实现了TLD框架中的跟踪器,提高了算法的实时性、精准度及鲁棒性;同时在降落过程中采用一种基于方向梯度直方图特征（Histogram of Gradient,HOG）和支持向量机（Support Vector Machine,SVM） 的目标识别方法,以实现目标检测自矫正,保证长时间准确跟踪目标。在七类模拟无人机进行降落的视频集下验证了该算法,与其他三种跟踪算法进行对比,并进行实际降落测试。测试结果表明,该算法的鲁棒性和精准度均优于其他算法,处理速度可达到31.47?f/s,故而在TLD框架下采用核相关滤波器作为跟踪器,对跟踪及检测结果进行有效融合并提高算法实时性的同时,增加的检测自矫正环节保证了长时间跟踪的准确度,从而有效地实现了无人机全自主精准降落。     

基于多特征融合与分层数据关联的空中红外多目标跟踪方法

针对星空背景下目标相似度高、数量大和误检数目较多所导致的空中红外多目标跟踪困难问题,提出基于分层数据关联的空中红外多目标在线跟踪方法。首先,根据红外场景特性来提取目标的位置特征、灰度特征和尺度特征;其次,综合这三个特征来计算目标与轨迹之间的初步关联关系以获得真实目标;再次,将所获得的真实目标按照尺度大小分类,大尺度类目标数据关联采用表观特征、运动特征、尺度特征三种特征相加的方法来计算,小尺度类目标数据关联采用表观特征与运动特征两种特征相乘的方法来计算;最后,根据匈牙利算法对两类目标分别进行目标分配、完成轨迹更新。多种复杂情况下的实验结果表明：与仅采用运动特征的在线跟踪方法相比,所提方法的跟踪准确率提升了12.6%;与采用多特征融合的方法相比,所提方法的分层数据关联不仅提高了跟踪速度,也使跟踪准确率提升了19.6%。综上,该方法不仅跟踪精度高,而且具有较好的实时性和抗干扰能力。     

基于多特征融合与分层数据关联的空中红外多目标跟踪方法

针对星空背景下目标相似度高、数量大和误检数目较多所导致的空中红外多目标跟踪困难问题，提出基于分层数据关联的空中红外多目标在线跟踪方法。首先，根据红外场景特性来提取目标的位置特征、灰度特征和尺度特征；其次，综合这三个特征来计算目标与轨迹之间的初步关联关系以获得真实目标；再次，将所获得的真实目标按照尺度大小分类，大尺度类目标数据关联采用表观特征、运动特征、尺度特征三种特征相加的方法来计算，小尺度类目标数据关联采用表观特征与运动特征两种特征相乘的方法来计算；最后，根据匈牙利算法对两类目标分别进行目标分配、完成轨迹更新。多种复杂情况下的实验结果表明：与仅采用运动特征的在线跟踪方法相比，所提方法的跟踪准确率提升了12.6%；与采用多特征融合的方法相比，所提方法的分层数据关联不仅提高了跟踪速度，也使跟踪准确率提升了19.6%。综上，该方法不仅跟踪精度高，而且具有较好的实时性和抗干扰能力。