基于多尺度深度学习的自适应航拍目标检测

无人机已经被广泛应用到各个领域,目标检测成为无人机视觉领域关键技术之一。针对无人机图像中场景复杂、尺度多变、小目标丰富等问题,提出了一种基于多尺度深度学习的自适应航拍目标检测算法。首先,构建自适应特征提取网络MSDarkNet-53,引入多尺度卷积方式,采用不同类型卷积核对不同尺寸目标进行运算,有效扩大感受野。其次,结合注意力机制的优点设计卷积模块,自适应优化特征权重,增强有效特征,抑制无效特征,得到表征能力更强的特征。最后,构建基于多尺度特征融合的预测网络,根据小目标的特点,选取多层级特征映射融合成高分辨率特征图,在单一尺度上进行目标分类和边界框回归。实验表明：本文算法提升了无人机图像的目标检测精度,具有良好的鲁棒性。     

基于多尺度融合的自适应无人机目标跟踪算法

针对无人机（UAV）跟踪过程中目标的尺寸小、尺度变化大和相似物干扰等问题，提出了一种基于多尺度注意力和特征融合的自适应无人机航拍目标跟踪算法。首先，考虑到无人机视角下干扰信息多，构建了深层多样化特征提取网络，提供鲁棒表征目标的语义特征和多样化特征；其次，设计的多尺度注意力模块，抑制干扰信息的同时保留了不同尺度的目标信息；然后特征融合模块将不同层特征进行融合，有效整合了细节信息和语义信息；最后，使用多个基于无锚框策略的区域建议模块自适应感知目标的尺度变化，充分利用整合的特征信息实现对目标的精准定位与稳定跟踪。实验结果表明：该算法在数据集上的成功率和准确率为61.7%和81.5%，速度为40.5 frame/s。该算法对目标的辨别能力、尺度感知能力和抗干扰能力明显增强，能有效应对无人机跟踪过程中的常见挑战。     

基于自适应Siamese网络的无人机目标跟踪算法

无人机已被广泛应用到军事和民用领域，目标跟踪是无人机应用的关键技术之一。针对无人机跟踪过程中目标易发生形变、遮挡等问题，提出一种基于自适应Siamese网络的无人机目标跟踪算法。首先，利用2个卷积网络构建一个5层Siamese网络，通过对模板特征与当前帧图像特征进行卷积得到目标位置；其次，利用高斯混合模型对以往的预测结果进行建模并建立目标模板库；然后，从模板库中挑选出最可靠的目标模板并以此更新Siamese网络的匹配模板，使Siamese网络能够自适应目标的外观变化；最后，引入回归模型进一步精确目标位置，降低背景对网络性能的影响。仿真实验结果表明：该算法有效降低了形变、遮挡等情况对跟踪性能的影响，具有较高的准确率。     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于IMM-UIF的多无人机纯角度机动目标跟踪

针对单无人机不能及时捕捉到目标的运动状态信息,很容易跟丢目标的问题,结合无迹信息滤波(UIF)算法和交互多模型(IMM)算法,提出了基于IMM-UIF的多无人机分布式融合估计算法。将各个无人机上的观测信息传输至中心节点,并统一优化各无人机的控制输入。仿真结果表明,基于IMM-UIF的多无人机分布式融合估计算法比基于IMM-UIF的单无人机跟踪精度提高了约30%,有效融合多无人机平台的量测信息,实现对目标稳定的高精度跟踪。     

基于神经网络的机动目标信息融合与并行自适应跟踪

基于“当前”统计模型和 BP神经网络 ,提出一种新的机动目标神经网络信息融合与并行自适应跟踪算法 ( NIFPAT)。该算法采用双滤波器并行结构 ,利用全状态反馈 ,通过 BP网络调整系统方差以适应目标的运动变化 ,具有对目标各种运动状态的良好自适应跟踪能力     

基于多策略GWO算法的不确定环境下异构多无人机任务分配

针对具有复杂约束的异构多无人机对地目标侦察打击任务分配问题，考虑不确定的任务执行时长、目标消失时间和无人机巡航速度等不确定因素对任务分配结果的影响，基于模糊可信性理论构建以最小化总成本为优化目标的异构多无人机任务分配的模糊机会约束规划模型，并提出一种多策略融合的灰狼优化算法（IMSGWO），通过引入自适应控制参数调整策略、自适应惯性权重策略、最优学习策略与跳出局部最优策略，在增强种群多样性的同时，提高算法的搜索能力。数值分析结果表明：所提算法能够有效求解不确定环境下的异构多无人机任务分配问题。     

基于改进YOLOv5的无人机实时密集小目标检测算法

无人机航拍图像与自然场景图像相比背景更复杂,存在大量密集小目标,对检测网络提出了更高的要求。在保证目标检测实时性的前提下,针对无人机视角下密集小目标检测精度低的问题,提出一种基于YOLOv5的无人机实时密集小目标检测算法。首先,将空间注意力(SAM)与通道注意力(CAM)相结合,改进CAM中特征压缩后的全连接层,降低计算量。另外,改变CAM与SAM的连接结构,提高空间维度特征捕获能力。综上,提出一种空间-通道注意力模块(SCAM),提高模型对特征图中小目标聚集区域的关注程度;其次,提出一种基于SCAM的注意力特征融合模块(SC-AFF),根据不同尺度特征图自适应分配注意力权重,增强小目标的特征融合效率;最后,在主干网络中引入Transformer模块,并利用SC-AFF模块改进原有的残差连接处的特征融合方式,更好地捕获全局信息和丰富的上下文信息提高复杂背景下密集小目标的特征提取能力。在VisDrone2021数据集上进行实验,YOLOv5s基准下,改进后模型的mAP₅₀提高了6.4%,mAP₇₅提高了5.8%,对高分辨率图像的FPS可达到46...     

无人机跟踪运动目标航迹规划算法

对无人机跟踪运动目标的原理进行了分析,设计了跟踪系统的动力学模型,提出了一种基于切线法的航迹规划算法。在动力学约束条件下实现了对无人机的航迹、速度、加速度等的最优控制,从而解决了无人机跟踪运动目标问题,并给出了算法的具体设计步骤。仿真结果表明,该算法能够快速、有效地为无人机规划出跟踪运动目标的最优航迹。     

基于多尺度分割注意力的无人机航拍图像目标检测算法

随着无人机（UAV）遥感技术的发展,无人机航拍图像目标检测逐渐成为无人机应用领域的一项核心技术,在交通规划、军事侦查及环境监测等领域具有重要应用价值。针对无人机图像中小目标实例多、背景复杂及特征提取困难的问题,提出一种基于多尺度分割注意力的无人机航拍图像目标检测算法MSA-YOLO。首先,利用嵌入在骨干网络瓶颈层的多尺度分割注意力单元建立多尺度特征间的远程依赖关系,从而强化关键特征的表达能力并抑制背景噪声干扰;其次,设计了一种自适应加权特征融合方法,该方法动态的优化各输出特征层权重,实现浅层特征与深层特征的深度融合;最后,在VisDrone公开数据集上的实验结果表明：该方法取得了34.7%的平均均值精度（mAP）,相比于基线算法YOLOv5提高了2.8%,在复杂背景下仍能显著提升无人机图像目标检测性能。     

基于STF的Jerk模型自适应机动目标跟踪算法

在Jerk模型的基础上,提出了一种新的机动目标自适应跟踪算法STF-Jerk。该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,从而很好地改善了Jerk模型在跟踪机动目标时的跟踪精度。仿真结果表明,提出的STF-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的机动目标跟踪性能。     

基于 SURF算法和 Kalman预测的运动目标跟踪

SURF(Speeded Up Robust Feature)特征提取方法是SIFT(Scale Invariant Feature Transform)算法的改进,具有速度快和精度高等特点,但其对于较大尺寸图像的匹配速度仍然有待提高。文章提出了一种将基于SURF特征匹配算法与卡尔曼滤波相融合的目标跟踪算法,该算法用特征点的中心近似目标最佳位置;通过卡尔曼滤波预测出当前的目标位置,建立自适应匹配窗口;最后,应用SURF算法提取窗口内的特征向量进行匹配。实验表明,该算法在目标发生大尺度旋转和缩放、部分遮挡时能够稳定跟踪,其跟踪速度比SURF算法有很大的提高。     

基于注意力机制和特征匹配的空对地多目标检测与跟踪算法

多目标跟踪算法是实现无人机自主导航的关键技术，为解决现有方法存在的小目标检测能力弱、计算能耗大、鲁棒性差等问题，提出一种基于注意力机制和特征匹配的多目标空对地跟踪算法，以实现航拍视角下对目标的精准高效跟踪。首先，引入通道可分离卷积，实现目标检测模型的轻量化；其次，构造融合空间注意力机制的小目标检测分支，提高对小微目标的检测精度，最后，优化目标跟踪算法的外观重识别网络，提高多目标跟踪效率。使用Visdrone2019-MOT数据集对所提算法进行验证，实验结果表明，所提算法的MOTA值提高了0.６%，FPS值为21.31帧/s，在模型大小和跟踪精度上实现了较好的平衡。     

基于DDPG的多旋翼无人机自主引导与跟踪方法

针对多旋翼无人机对地面动态目标的近距离侦察问题,根据无人机与目标的相对距离将侦察任务拆分为引导阶段及跟踪阶段两部分,并针对引导阶段和跟踪阶段不同的任务需求,分别建立了自主引导模型与自主跟踪模型;其次,基于深度确定性策略梯度(DDPG)算法,对提出的两个模型分别进行网络设计和参数优化,分别得到上述两个阶段的控制策略;最后,搭建基于机器人操作系统(ROS)的仿真测试平台,实现基于深度强化学习的无人机侦察任务的训练和数据收集,并进行了性能测试。仿真结果表明,所提出的无人机自主引导与跟踪方法能够满足侦察任务两阶段的不同需求,自主完成对地面动态目标近距离侦察的全过程任务。     

航拍视频帧间快速配准算法

 为应对相机运动的影响,提出了一种快速有效的无人机(UAV)视频相邻帧图像配准算法。通过空间分布约束和角点量限制来筛选有效的FAST特征点,引入自适应阈值提高特征点检测的环境适应性,采用训练得到的不相关采样点集对特征点进行二值描述,以获得准确快速的特征描述,并通过最近邻算法根据汉明距离获得特征匹配对,最后运用RANSAC方法得到帧间仿射变换模型参数,消除相机运动带来的影响,为后续运动目标检测与跟踪提供保障。实验结果表明该算法快速、稳定,具有较高的环境适应性,能够满足无人机系统视频图像配准的要求。     

多飞航导弹目标协同跟踪技术研究

针对多飞航导弹对目标协同跟踪精度较低的问题,提出了一种基于弹载雷达组网和GPS/INS组合导航的无偏不敏自适应融合跟踪算法。首先,通过领弹和攻击弹的优化布站,以有效提高多飞航导弹对目标的定位跟踪精度和突防能力;在时空协同的基础上,利用无偏不敏转换对各飞航导弹的目标量测进行预处理,以减小因旋转、平移和线性化误差所带来的影响;最后,结合统计双门限判决机制,利用自适应融合跟踪算法来有效实现多飞航导弹目标协同跟踪精度的提高。仿真结果表明,与现有的弹载雷达跟踪算法相比,该算法具有较高的定位跟踪精度。     

结合核相关滤波器和深度学习的运动相机中无人机目标检测

针对无人机与相机快速相对运动造成的运动模糊问题，以及小型无人机外观信息缺失和背景复杂造成漏警和虚警问题，提出了一种新的无人机检测-跟踪方法。针对成像尺寸小于32像素×32像素的无人机目标，提出改进的多层特征金字塔的分类和目标框回归器作为目标检测器，克服漏警。利用检测结果初始化基于核相关滤波的目标跟踪器，并持续修正跟踪结果，跟踪结果为剔除检测器虚警提供依据。在跟踪过程中，引入对观测场景纹理自适应的相机运动补偿策略实现目标重定位。多场景下的实验结果表明：提出的方法在对高速运动小目标的检测和跟踪指标上显著优于传统方法，且运动补偿机制的引入进一步增强了方法在极端复杂场景下的鲁棒性。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

基于角速度估计自适应的IMM目标跟踪算法

为了解决目标强机动时目标跟踪算法模型集不匹配的问题,提出了一种基于角速度估计的自适应交互式多模型算法。通过对角速度的估计,在目标的不同运动模式下选取最优模型集,角速度估计精度高时,通过角速度估计值构造模型集,减小模型间竞争;角速度估计精度低时,采用标准IMM算法的模型集,提高模型集的覆盖范围,从而提高跟踪精度。仿真结果表明该方法能够明显提升目标跟踪性能,对强机动目标的跟踪效果尤其显著。