QQ客服 官方微博 反馈留言

题名	基于深度学习的无人机对地目标跟踪算法研究
作者	韩冰
答辩日期	2021-05-21
授予单位	中国科学院沈阳自动化研究所
授予地点	沈阳
导师	王恩德
关键词	目标跟踪 特征融合 坐标感知 孪生网络 模板更新
学位名称	硕士
其他题名	Research on Object Tracking Algorithm of UAV Based on Deep Learning
学位专业	模式识别与智能系统
英文摘要	运动目标跟踪技术涉及了模式识别，图像处理等多个领域知识，在自动驾驶、安防、医疗、人机交互、无人机等领域发挥着重要的作用。良好的跟踪算法是无人机执行多项任务的关键，研究相关跟踪算法有着广泛的应用前景和较高的实用价值。本文对基于相关滤波和深度学习两大方向的目标跟踪算法的原理进行了解析。基于孪生网络的目标跟踪算法在计算机视觉领域取得了卓越的性能，但在遇到尺度变化，遮挡等复杂场景时仍会出现跟踪漂移甚至跟踪失败的情况。为解决此问题，提出了两种基于孪生网络的目标跟踪算法，本文主要工作内容如下：（1）针对无人机对地目标跟踪中出现的尺度变化，背景杂波等复杂场景，考虑到算法对跟踪实时性和精度的要求，提出一种基于特征融合与坐标感知的实时目标跟踪算法。该算法以AlexNet网络为主干网络，使用特征金字塔对多尺度特征进行特征融合，融合感兴趣目标多尺度信息的同时，增加了底层特征目标的细节位置信息，增强了算法对跟踪目标的判别能力；其次，对融合后的特征进行坐标注意力感知，在水平和垂直两个方向对目标特征进行注意加权，增强网络在空间维度对目标的表达能力。公共数据集OTB2015上的实验结果表明，所提算法优于常用的跟踪算法，在尺度变化，背景杂波等复杂场景下表现优异。跟踪速度121FPS，远超实时要求。（2）针对无人机目标跟踪过程中，目标形变灵活，空间外物遮挡，以及目标消失重现甚至出视野等复杂问题，提出一种自适应模板更新的长时目标跟踪算法。首先分析了算法时时更新模板的不足以及由此带来的模型漂移问题，设计一种新的模板更新策略。该策略通过平均峰值相关能量比判断跟踪置信度，并融合历史帧模板置信度信息用于自适应不同跟踪序列，然后设置模板池保存首帧和当前更新帧特征以更好的适应目标的特征变化。当目标被遮挡消失，甚至出视野时，扩大尺度搜索因子在更大范围内搜索以快速重新定位目标。在OTB2015和无人机数据集UAV123上的实验结果证明了在形变，遮挡重现等复杂场景挑战下所提算法的有效性。
语种	中文
产权排序	1
页码	65页
内容类型	学位论文
源URL	[http://ir.sia.cn/handle/173321/28950]
专题	沈阳自动化研究所_光电信息技术研究室
作者单位	中国科学院沈阳自动化研究所
推荐引用方式 GB/T 7714	韩冰. 基于深度学习的无人机对地目标跟踪算法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021.

个性服务

查看访问统计

相关权益政策

暂无数据

收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。