近年来,随着大数据时代的到来以及GPU算力的大幅提升,目标检测与跟踪作为计算机视觉中的两个基本问题在众多应用场景中都取得了巨大的发展。目标检测和跟踪算法在一些主流常见的数据集中表现出了强大的性能,但是这些数据集中往往只包含了自然场景下的一些视觉任务。在一些特殊场景下,比如无人机拍摄场景,直接将主流的目标检测跟踪算法应用到任务中,往往难以表现出较好的性能,也不能满足在这些场景下的任务要求。本文针对于目标检测与跟踪算法存在的问题进行深入的研究与分析,在YOLOv5检测算法和DeepSORT跟踪算法的基础上进行改进,主要贡献与创新点总结如下:1.YOLOv5目标检测算法的优化。本文分析了YOLOv5目标检测算法在针对于无人机场景下进行目标检测任务存在的问题,并针对性地进行改进来解决这些问题。首先针对无人机拍摄图像尺度变化剧烈的问题,对YOLOv5原有的特征金字塔PANet进行改进,通过增加跳跃连接的方式,使网络融合了更多的原始特征,并且使用一种加权的特征融合方式解决了特征图融合过程中贡献不平等的问题。然后,在网络检测头输出之前,引入了CA注意力机制模块帮助网络在大范围的图像区域中快速找到感兴趣的目标所在区域。最终,提出了一个基于注意力机制的游走切片检测框架,此框架主要包含全局检测分支和切片检测分支,兼顾了不同尺寸目标的检测精度。在此基础上,提出了一种改进的SWA-YOLOv5网络。最后通过实验模块分别在MS COCO数据集以及Vis Drone2021DET数据集下进行算法对比实验,实验结果表明,本文提出的算法SWA-YOLOv5相比于YOLOv5算法,在Vis Drone2021DET数据集下m AP值提高了3.02%,FPS虽然有所下降,但是仍然可以满足实时性的要求。2.DeepSORT目标跟踪算法的优化。本文首先对DeepSORT算法存在的问题进行了深入的探索与分析,并针对性的对DeepSORT中的三个模块分别做出了改进。在特征提取模块中沿用第三章提出的SWA-YOLOv5网络,并在检测头部分增加外观信息的输出,解决了原有特征提取网络存在的耗时严重以及性能低下的问题;在运动估计模块中对卡尔曼滤波算法中的噪声矩阵实现自适应计算并增加了高斯过程回归模块来对目标检测器失效的情况下的跟踪轨迹做出插值,解决了卡尔曼滤波对于噪声的鲁棒性差的问题;在轨迹关联模块中采用一种基础的线性匹配策略替换掉原有的级联匹配,在此基础上提出了YNGB-DeepSORT网络来实现高效的目标跟踪,并通过实验验证了各个模块的有效性,最后通过算法对比实验将本章的改进算法与几种主流的目标跟踪算法进行对比,验证了算法的有效性。实验结果显示,本文提出的YNGB-DeepSORT目标跟踪算法在MOT16多目标跟踪数据集上相比于DeepSORT算法,MOTA提升了6.5%,IDsw次数下降了527,IDF1提升了10.4%,FPS提升了50%。3.实时目标检测跟踪系统的设计与实现。本文将理论创新应用到实际的工程应用中,针对无人机场景下的目标检测跟踪任务,提出了一种嵌入式平台的实时目标检测跟踪系统,该系统将本文提出的算法移植到嵌入式板卡中,在板卡上利用Tensor RT技术以及多线程技术对其进行工程优化,进而使得系统能得到一个更为流畅与高效的运行。在此基础上设计了地面上位机软件系统来实时的监控系统的整体运行情况。