基于残差学习的自适应无人机目标跟踪算法

无人机已被广泛应用于军事和民用领域，目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题，提出一种基于残差学习的自适应无人机目标跟踪算法。首先，结合残差学习和空洞卷积的优点构建深度网络提取目标特征，同时克服网络退化问题；其次，将提取的目标特征信息输入核相关滤波算法，构建定位滤波器确定目标的中心位置；最后，根据目标外观特性的不同进行自适应分块，并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响，在跟踪成功率和精确度上均高于其他对比算法。      

基于多重检测的无人机抗遮挡目标跟踪算法

针对无人机（UAV）目标跟踪过程中遇到目标被障碍物遮挡时跟踪效果不佳的问题，提出一种多重检测的抗遮挡目标跟踪算法。在基于时空正则化相关滤波算法的框架下通过融合多种置信度函数，设计了一种响应置信度判别方法；为了具体了解目标被遮挡情况，将响应差值变化和响应梯度变化结合在一起作为判断是否更新滤波模板参数的依据；设计了一种融合分块思想与金字塔尺度池的尺度估计方法来解决目标在图像中尺度大小变化问题。所提算法在UAV数据集上相较于其他7种算法有不错的表现，在跟踪过程中面对目标遮挡、尺度变化和快速移动问题的跟踪精度和成功率上都有明显的提升。结果表明：所提算法能够更好地应对UAV在目标跟踪过程中出现的目标遮挡和尺度变化的问题，具有良好的快速性、准确性和鲁棒性。     

基于相关滤波和轨迹预测的视频卫星动态目标跟踪算法

为解决卫星视频中有遮挡或相似目标情况下目标跟踪的问题,提出了一种改进的相关滤波算法,在跟踪框架中加入了干扰判别模块和基于神经网络的轨迹预测模型。通过比较平均峰值相关能量指标值与自适应阈值来判别跟踪器是否受到干扰。双向长短期记忆网络以目标历史轨迹编码为输入来完成轨迹预测,结合相关滤波输出结果和网络预测结果来确定目标的位置。实验表明,所提出算法的精度提升了2.10%,在有遮挡或相似目标等情况下仍具有较好的跟踪性能。     

一种改进的运动目标抗遮挡跟踪算法

为解决运动目标在遮挡情况下的跟踪问题,提出一种基于目标运动预测与自适应多子块模板匹配相结合的抗遮挡跟踪算法.该算法建立了多子块模板匹配相关算法中遮挡情况的判定、子块模板匹配及自适应更新等准则,采用卡尔曼滤波模型预测目标在遮挡时的运动轨迹,并利用一种基于目标速度矢量的模板定位规则实现目标在遮挡结束后的接力跟踪.将该算法应用于存在多种遮挡情况下的实际视频中进行测试,实验结果表明:该算法不仅能够实现在部分遮挡情况下的目标跟踪,而且能在严重遮挡、甚至完全遮挡情况下对刚体和非刚体目标进行稳定有效地跟踪,保持目标运动轨迹的可靠性和完整性.     

基于Hu相关滤波的光学卫星视频点目标跟踪

针对光学卫星视频运动目标跟踪问题进行研究,提出一种鲁棒的特征描述和匹配跟踪方法。引入相关滤波的思想,首先利用样本集的Hu不变矩和中值滤波,建立目标的跟踪模板并进行目标特征描述。然后,将目标跟踪的判断区域降维处理,建立判断区域的Hu置信模型。利用FFT推导了快速相关法,进而通过求得跟踪置信图最大值实现目标跟踪。针对跟踪轨迹采用卡尔曼滤波辅助和优化跟踪处理,提高算法的鲁棒性。试验数据采用SkySat和吉林一号拍摄的视频各两段,对5个点目标进行跟踪试验,跟踪精度优于90%,跟踪过程目标不丢失,且轨迹平滑。针对13×13的判断区域,与一般相关性方法相比,处理速度可提升约5倍。可为光学卫星视频点目标实现快速可靠跟踪提供技术基础。     

基于级联注意力机制的孪生网络视觉跟踪算法

针对全卷积孪生网络（SiamFC）在相似物体干扰及目标发生大尺度外观变化时容易跟踪失败的问题，提出了一种基于级联注意力机制的孪生网络视觉跟踪算法。首先，在网络的最后一层加入非局部注意力模块，从空间维度得到关于目标区域的自注意特征图，并与最后一层特征进行相加运算。其次，考虑到不同通道特征对不同目标和各类场景的响应差异，引入通道注意力模块实现对特征通道的重要性选择。为了进一步提高跟踪的鲁棒性，将其与SiamFC算法进行加权融合，得到最终的响应图。最后，将提出的孪生网络模型在GOT10k和VID数据集上进行联合训练，进一步提升模型的表达力与判别力。实验结果表明:所提算法相比于SiamFC，在跟踪精度上提高了9.3%，在成功率上提高了5.4%。      

运动信息引导的目标检测算法

在室外监控视频的场景下，由于场景的复杂性及目标的多样性，监控视频中的目标存在难以检测的情况，如目标被遮挡、目标尺寸变化等，目标检测任务仍然存在挑战。基于此，提出了一种利用运动信息引导基于卷积神经网络的目标检测算法来提高目标检测的准确率。对运动目标检测算法进行一定的改进，使得到的运动前景图中能够保持静止目标前景的存在；利用运动前景图中的前景可以指示目标空间位置的特点，在特征层面将网络提取的特征图与获取的以运动前景图为主的运动信息相融合，提高特征图可能存在目标区域的响应值；在目标检测算法的检测器中，引入一个定位分支，利用视频帧的运动前景图，学习候选目标的定位置信度，并与目标的分类置信度加权求和，作为目标最终的置信度，再通过非极大值抑制方法得到检测结果。实验证明，在固定摄像机下采集的数据集中，所提算法能够提升目标检测的准确率。      

外观动作自适应目标跟踪方法

为降低目标运动时产生的外观形变对目标跟踪的影响，在DaSiamese-RPN基础上进行改进，提出了一种外观动作自适应的目标跟踪方法。在孪生网络的子网络中引入外观动作自适应更新模块，融合目标的时空信息和动作特征；利用2种欧氏距离分别度量真实图和预测图之间的全局和局部差异，并对二者加权融合构建损失函数，加强预测目标特征图与真实目标特征图之间全局和局部信息的关联性。在VOT2016、VOT2018、VOT2019和OTB100数据集上进行测试，实验结果表明:在VOT2016和VOT2018数据集上，预测平均重叠率分别提高4.5%和6.1%；在VOT2019数据集上，准确度提高0.4%，预测平均重叠率降低1%；在OTB100数据集上，跟踪成功率提高0.3%，精确度提高0.2%。      

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。      

基于STF和加权改进的群目标跟踪算法

为了进一步提高群目标交互多模型跟踪算法的估计性能,提出一种改进的群跟踪算法.首先,通过采用模型转换概率的自适应算法,优化模型与目标运动模式的实时匹配.并通过引入强跟踪滤波（STF,Strong Tracking Filter）中的渐消因子,提高机动阶段时的群质心的状态估计精度.其次,分别利用概率加权法和标量加权法完成群质心状态和扩展状态的融合估计.最后在变分贝叶斯滤波的基础上,建立完整的跟踪算法流程.仿真实验结果表明,该方法不仅能够提高群质心状态和扩展状态的估计精度,还能有效降低机动阶段时的峰值误差.     

电力场景下基于无人机视觉的运动目标追踪方法

随着人工智能技术的发展,面向电力系统的运动目标追踪技术逐渐得到关注,现有方法虽有一定成效,但是大多基于固定摄像头的监控视频录制,不能灵活追踪运动目标,当运动目标离开摄像头视野时,存在运动目标丢失问题。为此,利用无人机设备,并基于深度学习和核相关滤波技术,提出了一个电力场景下基于无人机视觉的运动目标追踪方法（MTTS_UAV）。所提方法采用改进的目标追踪方法与目标检测方法相结合的方式来追踪运动目标隐患,并引入2种无人机飞行控制模块:启发式和数据驱动式,使得无人机的飞行速度和方向可以根据目标移动情况自适应地调节。在真实变电站的安全帽人员数据集上进行了大量实验,对所提方法的追踪效果进行评估,结果表明:所提方法在真实数据集上的平均像素误差（APE）和平均重叠率（AOR）分别可达到2.37和0.67,验证了方法的有效性。      

基于改进YOLOv3和卡尔曼滤波器的飞机检测追踪方法

精确的飞机检测与追踪方法可以有助于提升我国军事实力，但是目前对小目标飞机进行有效追踪方法较少。基于深度学习的目标追踪方法较传统的方法性能更佳优越，因此针对传统方法对于小目标追踪性能不佳，本文提出了一种基于YOLOv3以及卡尔曼滤波器的飞机追踪方法以获得更好的追踪性能，该算法首先通过改进的YOLOv3算法对视频中的图像进行检测，在识别到视频中的飞机之后，通过卡尔曼滤波器对飞机的运动轨迹进行预测，并通过匈牙利算法进行数据关联。实验结果显示，该算法对小尺度飞机的检测性能较传统的YOLOv3有接近5%的提升，且对飞机的追踪效果精度高且实时性能，具有较高的军事应用价值。     

基于双注意力混洗的无人机航拍目标跟踪算法

针对无人机（UAV）跟踪过程中目标经常出现尺寸小、尺度变化大和相似物干扰等问题,提出了一种基于双注意力混洗的多尺度无人机实时跟踪算法。考虑到无人机视角下目标像素点少,构建了双采样融合的深层网络,既提供了语义信息丰富的深度特征,又保留了目标的细节信息;设计了双注意力混洗模块,通道注意力和空间注意力同时分组筛选提取到的特征信息,混洗不同通道间的信息,加强信息交流,提高了算法辨别能力;为利用不同层的特征信息,加入多个区域建议网络完成目标的分类和回归,并针对无人机的目标特点,将结果进行加权融合。实验结果表明：所提算法在数据集上的成功率和准确率分别为60.3%和79.3%,速度为37.5帧/s。所提算法的辨别能力和多尺度适应能力明显增强,能有效应对无人机跟踪中常见的挑战。     

基于高效注意力和上下文感知的目标跟踪算法

基于匹配思想的孪生网络算法缺乏对目标的整体性感知，容易出现对目标状态估计不够精准和在复杂环境中跟丢的现象。为此，在孪生网络的基础上设计了2个轻量级的模块来实现更精准、更鲁棒的目标跟踪。在提取特征的主干网络之后，嵌入一个高效通道注意力模块，实现高效提取目标特征并增强差异化表示，使网络更注重于目标信息；模板匹配之后的特征通过一个局部上下文感知模块，增强网络对目标的整体感知，以应对跟踪过程中复杂多变的环境；采用Anchor-free的状态估计策略实现对目标的精准估计。实验结果表明:所提算法SiamCC在数据集OTB100、VOT2016和VOT2018上的测试结果均好于DaSiamRPN、ATOM等算法，并且跟踪速度达到了85帧/s。