基于改進YOLO算法的無人機目標跟蹤研究

一、引言

隨著無人機技術的迅速發(fā)展，無人機被廣泛應用于各種應用場景，如農(nóng)業(yè)監(jiān)測、災害救援、物流運輸?shù)取Ｔ谶@些任務中，目標跟蹤是無人機執(zhí)行任務的關鍵技術之一。然而，由于無人機面臨的環(huán)境復雜多變，在進行目標跟蹤時會遇到諸多挑戰(zhàn)。首先，無人機在空中飛行時常常受到氣流、障礙物和地形變化的影響，導致圖像捕捉不穩(wěn)定性和圖像質量下降。其次，目標物體的外觀可能會因角度、光線和背景的變化而發(fā)生顯著變化，使目標識別和追蹤變得更加困難。此外，目標物體可能會快速移動或做出不規(guī)則運動，增加了跟蹤難度。由于YOLO算法在無人機目標檢測研究中具有一定的優(yōu)勢。為此，本文以YOLO算法為基礎，并采用Kalman跟蹤算法對目標的運動軌跡進行預測和跟蹤，結合ReID進行特征融合，以提高YOLO算法的性能，實現(xiàn)高效率的無人機目標跟蹤。

二、無人機目標跟蹤算法構建

本文構建的無人機目標跟蹤算法的整體流程如圖1所示。本文提出的無人機目標跟蹤算法主要基于YOLO算法對無人機的視頻序列進行處理，對特征進行提取，這些特征能夠有效地描述目標顏色和紋理特性，從而提高識別準確性。在識別出目標后，采用Kalman跟蹤算法對目標的運動軌跡進行預測和跟蹤。Kalman濾波器是一種遞歸算法，能夠通過對目標位置和速度的估計，連續(xù)更新和預測目標的運動狀態(tài)，減少噪聲和其他干擾引起的跟蹤誤差。同時，利用ReID（Re-identification）算法確保目標軌跡的連續(xù)性和一致性。ReID算法用于在不同時間和視角下重新識別同一目標，確保即使在目標暫時消失或出現(xiàn)遮擋的情況下，也能正確識別和跟蹤目標。通過以上算法的協(xié)同作用，實現(xiàn)無人機目標跟蹤的信息融合。YOLO算法通過交叉注意力機制和余弦退火學習率調(diào)度優(yōu)化，提供了高效的目標檢測。

此外，結合HSV和LBP特征提取技術，進一步增強了目標的描述能力。在跟蹤方面，Kalman跟蹤算法保證了軌跡預測的準確性，而ReID算法則提高了目標再識別的魯棒性。

最終，在復雜環(huán)境中，無人機能夠實現(xiàn)對目標的精準識別和高效跟蹤，確保任務的成功執(zhí)行。

（一）YOLO算法特征提取

YOLOv4是YOLO算法的一個改進版本，它在CSPDarknet-53的基礎上進行了多項增強。為了進一步提升性能，YOLOv4在CSPDarknet-53的基礎上加人了SPP（Spatial Pyramid Pooling）和PANet（PathAggregationNetwork）模塊。本文選擇Mish函數(shù)作為特征網(wǎng)絡的激活函數(shù)。

相較于傳統(tǒng)的激活函數(shù)，如ReLU和LeakyReLU，Mish具有更平滑的曲線，有助于信息在網(wǎng)絡中的流動和梯度的穩(wěn)定。在YOLO算法的SSP模塊中，最大池化參數(shù)使用

PANet（Path Aggregation Network）是 YOLOv4 中用于特征融合的重要模塊，它的引入顯著增強了網(wǎng)絡對目標檢測任務的表現(xiàn)。PANet借助獨特的路徑聚合策略優(yōu)化了特征金字塔網(wǎng)絡（FPN），從而提升特征的表達能力和信息傳遞的效率。經(jīng)過YOLOv4主干網(wǎng)絡和特征金字塔網(wǎng)絡（FPN）的處理后，PANet進一步增強了特征的表達能力。通過自頂向下路徑增強，確保高層特征信息能夠高效地注入低層特征。

本文的目標跟蹤模型中，從高層（ 13×13×1024 ）開始，通過逐步向下傳遞，保留了高層特征的語義信息，同時結合低層特征的細節(jié)信息。自底向上路徑通過進一步將低層特征信息傳遞到高層特征，從而增強高層特征的空間信息表達能力。從下層（ 52×52×256 ）開始，通過逐步向上傳遞，低層特征的細節(jié)信息能夠有效補充高層特征的語義信息，使網(wǎng)絡能夠更準確地捕捉到目標位置和形狀特征。通過這種雙向路徑增強，PANet在特征融合模塊中將不同路徑的特征進行整合。特征融合模塊通過精細的元素級加法和級聯(lián)操作，整合上下特征，生成具有豐富語義和細節(jié)信息的特征圖。

最終，PANet提取出上層（ 13×13×1024 ）、中層（ 26×26×512 ）和下層（ 52×52×256 ）三個特征層。這些特征層具有不同的分辨率和語義信息。上層特征層（ 13×13×1024 ）具有較高的語義信息密度，適合檢測大目標；中層特征層（ 26×26×512 ）兼具語義信息和細節(jié)信息，適合檢測中等大小的目標；下層特征層（ 52×52×256 ）具有較高的空間分辨率，適合檢測小目標。

（二）Kalman濾波軌跡跟蹤

Kalman濾波技術，作為一種經(jīng)典的線性最優(yōu)估計算法，被廣泛應用于預測和跟蹤目標在每個視頻幀中的軌跡位置。它是一種基于遞歸估計的算法，通過對目標狀態(tài)進行估計和更新，實現(xiàn)對目標運動軌跡的精確預測和跟蹤。Kalman濾波器的引入，有效解決了在復雜環(huán)境下由于目標被遮擋和目標變形等屬性改變而引起的跟蹤失敗問題。Kalman濾波器的工作原理包括兩個主要步驟：預測和更新。

首先，根據(jù)目標在前一幀中的狀態(tài)（包括位置和速度），利用運動模型預測自標在當前幀中的位置。然后，通過觀測到的目標位置，對預測結果進行更新和校正，以減少誤差。這個過程是遞歸進行的，每一幀的估計都基于前一幀的結果，不斷調(diào)整和優(yōu)化預測模型。

在目標檢測的過程中，由于復雜的環(huán)境和多變的目標形態(tài)，單一的候選框往往不能唯一準確地描述目標物體。因此，需要運用更精細的特征篩選策略，以提高檢測精度。在這一過程中，HSV和LBP特征直方圖被廣泛應用于篩選候選框，以增強目標檢測的可靠性和準確性。HSV色彩空間因其人眼感知，故在描述物體顏色時優(yōu)于RGB色彩空間，更適合描述物體的顏色特征。在目標檢測中，通過提取候選框內(nèi)的HSV直方圖，可以有效捕捉目標的顏色特征。HSV直方圖能夠對這些顏色信息進行量化，生成一個直方圖表示。這種表示方法對光照變化具有一定的魯棒性，能夠穩(wěn)定描述目標的顏色特征。LBP（LocalBinaryPatterns）是一種用于描述圖像紋理特征的有效方法。LBP通過比較像素點的灰度值差異，創(chuàng)建二進制模式，以此構建紋理特征直方圖。

（三）ReID數(shù)據(jù)關聯(lián)與融合

由于環(huán)境復雜、目標物體運動等因素，檢測結果可能存在不確定性和噪聲。與此同時，Kalman濾波器本身也可能受到遮擋、形變等因素的影響，導致預測誤差。為了結合 YOLOv4 檢測的精確性和Kalman濾波預測的連續(xù)性，ReID技術被引入，進行數(shù)據(jù)融合。ReID算法通過提取目標的深度特征，能夠在不同幀之間重新識別同一目標。具體而言，ReID算法通過提取候選框的特征向量，并與目標歷史特征進行匹配，以計算相似度。這樣，可以有效關聯(lián)同一目標在不同幀中的候選框，即使目標在某些幀中發(fā)生遮擋或形變。

三、實驗與結果分析

（一）實驗數(shù)據(jù)

在本文的研究中，選擇了公開的無人機數(shù)據(jù)集UAV_databases和VisDrone數(shù)據(jù)集，作為訓練與測試的基礎。為保證廣泛適用性和魯棒性，本研究分別從數(shù)據(jù)集中抽取178420張圖片作為樣本，6700張圖片用于驗證。UAV_databases和VisDrone是目前廣泛使用的無人機數(shù)據(jù)集，涵蓋了多種復雜的場景和目標類別。從這兩個數(shù)據(jù)集中各自挑選了2500張圖片組成訓練集。為了評估模型的性能和泛化能力，還從數(shù)據(jù)集中選取了6700張圖片作為樣本外驗證集。

（二）實驗環(huán)境

本文的實驗環(huán)境采用四旋翼無人機，具體包括飛控系統(tǒng)、通信系統(tǒng)、傳感器系統(tǒng)以及動力系統(tǒng)，以確保無人機的穩(wěn)定飛行和多功能操作。傳感器系統(tǒng)集成GPS、慣性測量單元（IMU）和攝像頭，以獲取無人機的位置、姿態(tài)以及環(huán)境圖像等多維度數(shù)據(jù)。圖像處理部分采用上位機NVIDIAJetson，該平臺具備強大的計算能力和低功耗特性，非常適合嵌入式視覺處理任務。

（三）評價指標與結果

本文采用準確率、精確率、召回率、F1值以及目標丟失率作為算法的評價指標。同時，為分析本文提出的改進YOLO算法的效果，本文還引入了9種常用的目標跟蹤算法，實驗結果如表1。

從表1可以看出，本文提出的改進YOLO算法準確率為 95.69% ，F(xiàn)1值為 93.04% ，分別比 YOLOv4 算法提高 3.43% 以及 2.25% 。相比其他算法在各項指標上均有所提升。在丟失率上，改進的YOLO算法的目標丟失率為 6.79% ，比 YOLOv4 算法降低 3.25% ，也低于其他算法，說明本文提出的基于改進YOLO算法的無人機目標跟蹤具有更好的性能。

四、結束語

本文提出了改進YOLO算法的無人機目標跟蹤方案，在采用YOLO算法構建特征網(wǎng)絡的基礎上，結合HSV和LBP特征提取技術，增強了目標描述能力。再輔以Kalman跟蹤算法，對目標的運動軌跡進行預測和跟蹤，結合ReID算法對自標的軌跡信息進行選擇和關聯(lián)。在數(shù)據(jù)集UAV_databases上進行測試，驗證本文構建的無人機目標跟蹤方案性能得到了有效提升。

作者單位：薛輝成都加百力科技有限公司薛文華 成都市郫都區(qū)郫筒一小張紫涵成都市樹德實驗中學（西區(qū)）王安然成都市郫都區(qū)華愛學校

參考文獻

[1]劉傳洋，吳一全，劉景景.無人機航拍圖像中電力線檢測方法研究進展[J].中國圖象圖形學報，2023，28（10）：3025-3048.

[2]楊洋，宋品德，鐘春來.無人機視角下基于深度學習的多目標跟蹤研究進展[J].計算機工程與應用，2023，59（23）：48-62.

[3]鄧俊文.應用于低空防御的實時多無人機檢測與跟蹤算法[J].電視技術，2023，47（06）：20-23.

[4]馬良，穆朝絮，楊萬扣.四旋翼無人機目標跟蹤系統(tǒng)設計[J].控制工程，2015，22（06）：6-10.