论文部分内容阅读
将目标跟踪技术应用在无人机平台上是计算视觉学科一个重要的研究方向,在战场侦察、边境巡逻、智能交通、电网检测以及灾情探查等领域有着广泛的应用。经过国内外学者的努力目标跟踪理论框架日益成熟,但是将其应用在无人机平台上仍然困难重重,因为在跟踪过程中会受到众多的不确定因素的影响,所以设计一种速度快、强鲁棒性的无人机目标跟踪算法极具挑战性。因此,研究无人机目标跟踪不仅具有重要的理论意义,而且具有广泛的应用前景和很高的实用价值。SiamFC算法自从2016年出现以来,基于孪生网络的目标跟踪算法在各类竞赛上取得了优异的成绩,研究人员也将研究目标跟踪算法的方向从相关滤波上逐渐转移到孪生网络上。基于全卷积孪生网络跟踪算法(SiamFC)在速度上达到了实时性,满足了目标跟踪应用在无人机平台上的基本条件。但是,SiamFC的特征提取网络为浅层的AlexNet并且缺少在线更新过程,导致算法在目标外观发生剧烈变化时跟踪失败的概率很大,另外无人机平台上没有很多的能量去支持大量的运算。针对以上问题,本文在孪生网络的框架下对SiamFC算法进行改进。算法改进的主要内容如下:(1)改变SiamFC中特征提取网络,由原先的AlexNet替换为DenseNet。DenseNet的结构简单、运算量少的特点可以节省无人机的能量,并且在孪生网络的目标图像分支加入共同注意力模块以捕捉目标的局部特征,从而在保证目标跟踪速度的同时还能够提高网络跟踪的准确率;(2)用外观网络和语义网络组成双孪生网络模型,以增强网络在跟踪过程中的判别能力。外观网络由(1)中由密集孪生网络承担,语义网络中的特征网络采用修改后VGG-Net,在目标分支上加入通道注意力模块和空间注意力模块来表达目标的特征图中的通道和像素空间关系,并且加入特征融合模块来提高网络的表征能力。最后为了验证算法的有效性,在UAV-123数据集上进行对比实验。实验结果表明,本文所改进的算法在保证跟踪速度的前提下鲁棒性更好、精度更高。该论文有图16幅,表8个,参考文献71篇。