摘要
随着深度学习技术以及无人机技术的不断发展，基于深度学习的多目标跟踪算法在实际生活中得到了广泛应用。此外，目标检测算法性能是基于深度学习的多目标跟踪算法的关键因素。无人机视角下的目标大多为小目标，其在图像中像素占比过少、背景环境复杂，为目标检测算法带来了挑战，从而影响跟踪算法的性能。因此，需要提升目标检测算法对无人机视角下小目标的检测准确度，在此基础上进一步提升跟踪算法的小目标跟踪性能。本文针对无人机视角下的小目标跟踪，主要研究内容如下： （1）针对 YOLOv5s 颈部特征融合网络融合小目标信息不充分、平等对待不同尺寸的目标的问题，采用BiFPN特征融合网络对YOLOv5s的特征融合结构加以优化，增强不同网络层之间的信息传递能力，丰富小目标的特征信息；针对主干网络下采样过程中导致小目标部分细节特征损失的问题，减少一次主干网络的下采样操作，并通过设计的多尺度融合模块（Multi-scale Fusion Model，MSFM）解决减少下采样带来的感受野减小问题，将主干网络C3模块替换成C3Ghost模块来减少计算量和权重大小。通过 VisDrone2019 数据集进行实验对比分析，YOLOv5s_BiFPN_MSFM_Ghost 模型相比于YOLOv5s模型，精确率提高了6.07%，召回率提高了6.48%。 （2）针对 DeepSORT中卡尔曼滤波模型使用线性动态系统描述目标运动，对具有加速度运动目标预测效果不佳的问题，引入加速度参数提高对加速运动目标的预测效果；针对 DeepSORT 中重识别网络性能低的问题，采用 ShuffleNet V2 模型对重识别网络进行改进，达到提高 DeepSORT 中重识别网络的性能以及降低权重参数的效果。利用 YOLOv5s_BiFPN_MSFM_Ghost模型作为改进的 DeepSORT跟踪算法的检测器，通过VisDrone2019-MOT数据集进行实验对比分析，改进的DeepSORT算法相比于原始D eepSORT算法准确度提高了4.7%，精度提高了1.1%。 （3）使用大疆无人机御 Mavic Pro 进行图像与视频序列的采集，对 YOLOv5s_BiF PN_MSFM_Ghost模型和本文DeepSORT算法进行实验，证明了改进算法的有效性。
NETL