论文部分内容阅读
无人机因其灵活高效、低成本等优点,在导航搜救、交通监控等方面得到日益普及,无人机视频监控在安全防范领域中发挥着举足轻重的作用,实现无人机视角下的目标检测与跟踪,能够有效提升无人机高效化、智能化作业水平。本文对无人机视角下车辆漏检率高和难以满足嵌入式平台实时性的要求进行了研究,设计了一个应用在无人机平台上的多目标车辆实时检测跟踪算法,以解决无人机视角下检测跟踪中漏检、误检、遮挡等问题。主要完成的工作如下:(1)针对现有目标检测网络在无人机平台上准确度低和实时性差的问题,以YOLOv3为基础,提出了4点改进策略。首先使用反残差网络构建基础特征提取层,用MobileNetv2作为骨干网络进行结构轻量化处理;其次,针对车辆定位不准确和样本不均衡问题,采用DIoU和Focal Loss代替原损失函数中的位置损失和置信度损失;并通过6)-means聚类算法重新获取anchor尺寸;最后利用快速ACE算法对数据集进行增强处理以提高性能。实验结果表明改进后的网络MD-YOLOv3精度提升了4.54%,速度由原先6帧/s提升到14帧/s。(2)在检测的基础上,针对SORT算法的ID易突变等缺点,提出一种改进的卡尔曼滤波多目标跟踪算法,将实时性好的颜色特征和梯度特征作为目标的外观信息,使用基于马氏距离的运动信息和外观信息的线性加权作为融合关联度量,利用匈牙利算法进行目标-轨迹间的预测匹配。实验结果表明改进后算法对于长期遮挡、目标重入等情况轨迹分配效果较好,MOTA提高了4.5%,整体跟踪效果明显提高。(3)利用TensorRT库对检测模型设计了推理加速优化框架,并在NVIDIA Jetson TX2嵌入式平台上部署了优化后的检测跟踪算法,对无人机实际拍摄的场景进行了跟踪实验。测试结果表明,相比优化前,跟踪的精度损失极小,且速度提高到了22帧/s。本文提出的算法能够准确持续地对多个车辆目标识别与跟踪,满足无人机平台检测跟踪对实时性、准确性的要求,为后期将其应用到智能安防和智能无人机等产品中去提供了一套原型系统。