论文部分内容阅读
计算机视觉领域包含很多对视觉信息的研究内容,目标跟踪是其中一个热门的研究技术。经过国内外计算机视觉研究学者几十年的研究,目标跟踪在我们日常生活中已经得到了普及并且应用到了各行各业中,例如智能交通、人机交互、视频监控等。虽然目前已经出现了诸多性能优越的跟踪算法,但是在无人机这种复杂场景下实现良好的跟踪效果依旧存在较大困难。无人机场景下目标和无人机快速运动,容易出现目标遮挡严重、目标过小等问题,影响目标跟踪的效果。同时无人机航拍数据集缺乏统一标注,数据集不完善等问题也是影响无人机场景下目标跟踪的重要影响因素。本文就无人机场景下目标跟踪遇到的挑战,对目标跟踪算法进行更深入的研究。目标跟踪算法还没有使用深度学习的相关技术之前,相关滤波方法在目标跟踪性能上取得了一定优的势。在SiamFc出现后,涌现出了一大批基于孪生网络的优秀目标跟踪方法,但这些算法被直接应用到无人机场景下的目标跟踪时跟踪效果会受到影响。本文考虑到无人机航拍相关数据集不完善且数据集缺少、标注不统一等情况,提出了使用无监督学习的方法训练无人机目标跟踪模型。同时考虑到无人机自身计算能力等系统限制情况,网络模型采用了轻量级网络,采用前向跟踪以及多帧后向验证的方式实现无监督的目标跟踪模型。此外,结合无人机航拍数据目标小,数据密度大,背景干扰因素多等特点,本文提出了使用注意力机制提取视频图像中目标重要性信息的方法,同时网络模型融合了孪生网络和相关滤波的优势。为了验证设计的两种目标跟踪模型结构的性能,本文使用VisDrone2019数据集进行实验。通过对比实验证明,我们设计的两种无人机目标跟踪模型比同类型其他算法性能更好,效果更佳。