摘要
近年来，由于计算机视觉技术的迅猛发展，传统作战方式已不能满足现代战场作战要求，因而多种基于人工智能的热门技术被应用于军事领域，如目标检测、目标跟踪等。这些技术的加持使得智能化武器不断涌现，从而提升了作战效率。随着时间的推移，智能武器的功能变得越来越强大，它们能够有效地识别和打击特定目标。因此，将各种智能武器像人类大脑一样自动识别和跟踪战场环境中的士兵，已成为一项亟待解决的重要难题。本文主要针对战场环境中士兵目标，以基于深度学习的目标检测方法与跟踪效率稳定的相关滤波方法为基础，采用改进的YOLOv5s检测算法与判别式相关滤波跟踪器(Discriminatiive Scale Space Tracker, DSST)跟踪算法对战场环境下士兵目标进行了智能化检测与跟踪研究。主要进行了以下工作： 1、针对战场环境中士兵数据较少的问题，构建了战场环境中士兵目标检测与跟踪数据集：本论文通过网络查找、影视截图等操作完成了士兵数据采集，针对收集到的数据少以及图片数据中干扰大的问题，对原始数据进行了扩增以及去雾处理，提高了数据集质量，构建了战场士兵图像数据集。 2、针对目标检测过程中所面临的战场环境复杂、目标尺度变化、小尺度目标以及实时性等问题，搭建了一种基于改进YOLOv5s的战场士兵检测模型：首先改进了骨干网络，将改进后的轻量化模块Ghost-Bottleneck引入骨干网络，降低了网络模型计算量，提高了模型检测速度；再通过在骨干网络中引入卷积注意力机制，提升了网络性能。其次改进了模型的特征融合网络，主要针对目标尺度变化与小尺度目标两个问题，重构了多尺度特征融合网络并使用自校正卷积替换了传统卷积，提高了战场环境中尺度变化目标以及小尺度目标的检测精度。最后通过消融实验与改进前后效果图对比实验，证明了本论文检测部分模型改进的有效性。 3、为了解决自建数据集上士兵跟踪过程中的目标遮挡和多目标匹配丢失问题，研究了一种基于 DSST 算法的战场士兵跟踪方法。该方法结合了长时视频对象跟踪算法(Tracking-Learning-Detection, TLD)，能够减少遮挡情况下的跟踪漂移现象。同时，采用匈牙利匹配算法对不同帧目标进行了数据关联，解决多目标匹配问题，提高了跟踪的成功率。实验结果表明，相比基准方法，本文提出的跟踪算法在处理士兵目标跟踪过程中的遮挡和多目标匹配问题方面表现更好，提高了跟踪的成功率和精度。
NETL