目标检测与目标跟踪技术一直是计算机视觉中基础且重要的研究方向,随着无人机技术的快速发展,以无人机为应用平台实现目标检测与目标跟踪也显得至关重要。本文针对引入检测网络的目标跟踪算法展开了研究,首先针对上下文感知相关滤波跟踪算法的上下文背景信息问题进行了改进,接着针对跟踪过程中的特征与尺度问题对相关滤波跟踪算法进行了改进,针对以上所改进的算法未能较好地处理目标遮挡和相似物干扰问题改进了引入检测网络的目标跟踪算法,最后搭建了无人机障碍物检测跟踪及避障系统。本文的主要工作和创新点如下:1.针对上下文感知相关滤波跟踪算法只对目标四周的背景信息进行较为粗略的处理,认为目标四周的这些背景信息的重要程度都是一样的,本文改进了一种上下文感知自适应的相关滤波跟踪算法,该算法首先通过利用粒子滤波来预测出目标接下来朝哪个方向移动,然后在训练这个跟踪滤波器的时候,将目标区域周围8个方向的背景区域作为负样本,并对目标接下来将要移动方向上的背景区域给予的权重远远大于其他非移动方向上的,从而提高了跟踪器对目标和背景的判别能力,并通过实验仿真进行了验证。2.针对目标跟踪过程中的特征问题与尺度变化问题,本文改进了一种基于多特征与尺度自适应的目标跟踪算法。利用不同特征在不同环境下的优势,将颜色直方图特征和深度特征进行了融合,同时为了解决目标在尺度上确实发生了变化,引入尺度滤波器对目标尺度进行判断,选择合适的目标尺度,并以上下文感知滤波器作为框架,提高了算法在光照变化、目标尺度变化等场景下的跟踪性能,并通过实验仿真进行了验证。3.针对目标出现遮挡和相似物干扰的问题,本文在Siamese FC算法的基础上改进了一种引入检测网络的目标跟踪算法,当跟踪响应图中未出现单个波峰的时候,此时认为在跟踪过程中可能出现目标遮挡或者出现目标相似物干扰的情况,于是通过检测网络对该响应图中的目标位置进行重新检测,从而可以重新找回目标位置进行跟踪。从而实现该算法对目标稳定且准确的跟踪,并通过实验仿真进行了验证。4.基于以上对目标检测与目标跟踪的研究,搭建了基于深度学习的无人机障碍物检测跟踪及避障系统。首先采用挂载在无人机上的科瑞象双目摄像头来采集图像,然后通过视频分析计算出障碍物到无人机之间的距离,再利用避障算法解算出期望位置和期望角速度并发送给飞控,从而控制无人机避障飞行。经过测试,本系统可以实现无人机对障碍物检测跟踪及测距并完成避障飞行,达到预期效果。