目标追踪是计算机视觉领域的一个热门研究方向,目标追踪是通过检测图像中的目标中心点的像素坐标,再将该坐标作为控制量传给智能设备,使得智能设备能够实时获取目标所在位置的过程。无人机作为具备便携性与高机动性的智能设备的代表,在目标追踪领域获得了广泛的研究与应用。大多数无人机因其处理器性能受限,必须将拍摄的图像编码、压缩之后传回地面,再在地面工作站做相应的处理。这样做处理一方面影响追踪的效率;另一方面,无人机与地面工作站传输数据时,容易受到电磁的干扰而变得不稳定。利用无人机平台做目标追踪时,算法需要满足实时性、准确性与鲁棒性。传统的基于计算机视觉的追踪算法,由于其训练样本数较少,因此追踪的准确性较低;基于深度学习的目标追踪算法由于提前做了海量数据的训练,因此算法的准确性很高,但由于其训练的模型通常比较庞大,因此在实时性及运算资源要求比较严格的场合并不能满足要求。为了在保证实时性的前提下,提高跟踪算法的准确性,本文主要从以下几个方面进行研究:⑴研究基于核相关滤波器(Kernel Correlation Filter,KCF)的目标追踪算法。核相关滤波器算法与传统的计算机视觉追踪算法相比,有着实时性强且准确率高的特点。研究该算法的原理,根据无人机场景追踪目标时易发生目标遮挡、目标混淆以及低帧率的特点,在OTB标准数据集上挑选符合场景特点的数据集,通过挑选的数据集验证其在不同条件下的性能;结合仿真结果,讨论基于核相关滤波器追踪算法的优缺点;针对其在目标遮挡与低帧率情况下易跟丢目标的缺点,在目标模板与滤波器更新方式上进行优化;将优化算法与原算法在标准数据集上做对比实验,得出该优化算法拥有比原算法稍高的时间复杂度,但在目标遮挡和低帧率情况下的准确性得到了改善的结论。⑵研究基于深度学习的目标检测与追踪算法。研究常用的基于深度学习的目标检测追踪算法原理及其优缺点,利用PASCAL VOC标准数据集对其检测的准确性做仿真验证;针对其中两种最优的检测算法,在OTB标准数据集上验证其在短目标追踪上的准确性及时间复杂度,为无人机平台实现智能追踪提供理论支撑。⑶提出基于无人机的目标追踪方案并搭建基于无人机的目标追踪平台。该方案通过在无人机端搭载协同处理器,使用基于深度学习的跟踪算法,实现无人机对地面目标的实时检测与跟踪。根据解决方案搭建软硬件平台,利用该平台运行基于深度学习的追踪算法,并采用Tensor RT框架对算法做加速。根据平台测试结果,得出算法能在该平台上实时地检测与追踪目标的结论。