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

发布时间：2024-11-02 05:27

　　 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。

【文章页数】：13 页

【文章目录】：
1 相关工作
    1.1 RetinaNet目标检测器
    1.2 KCF目标跟踪器
    1.3 相机运动补偿
2 RetinaNet与KCF结合的无人机检测
    2.1 引入低层特征的RetinaNet
    2.2 RetinaNet与KCF具体交互方式
    2.3 KCF不适用的情况
3 相机运动补偿和无人机重定位
    3.1 光流法对无人机重定位
    3.2 不同运动补偿算法的优缺点
    3.3 场景纹理自适应的运动补偿
4 实验
    4.1 实验设置
    4.2 分场景消融实验
    4.3 对RetinaNet改进的消融实验
5 结论



本文编号：4009101