边防巡检因道路遥远情况复杂,使得站岗、巡逻等传统人工监控方式存在难走到、难深入、难看明、难查清等问题。现普遍使用的“人工巡视+摄像头监控”这一巡检方式,也仍然面临设备多、数据多、监控范围受限、工作重复等挑战。本文将结合计算机视觉技术,对边防巡检这一空中观测应用进行研究,以实现零风险地获取高风险目标的类别、位置、运动轨迹等重要信息。本文的主要工作如下:1.采集并制作包含9类边防巡检目标共计13920张图片的BPD（Border Patrol Dataset）数据集,其中固定翼无人机、多旋翼无人机、单旋翼无人机、坦克和军车5类重点观测目标来源于人工采集,飞鸟、空飘气球、普通车辆和行人这4类干扰或其他目标筛选于PASCAL VOC和MSCOCO公开数据集。2.为避免人工失误、理解歧义等行为降低自制数据集质量,本文制定了统一明确的标注规则。此外人工标注数据集的过程中存在各种失误,本文基于重复检查这一思想提出数据集质量优化方法来缩小人工重检范围,将模型精度提高了0.59%。3.论文选择YOLOv4作为目标检测基础算法。针对YOLOv4使用的特征提取网络结构复杂等缺陷,以及特征增强网络中各特征层对结果贡献不均衡、双向融合结构提取特征能力有限等问题进行优化,得到YOLOv4＿MBS优化算法。该算法在保持原YOLOv4高精度、高速度优势的同时,分别将参数量、计算量大幅度缩减为原算法的84.94%和85.88%。4.论文在基于语义分割实现的单目标跟踪算法SiamMask之上,针对新目标进入和旧目标消失的辨别问题及对遮挡目标的持续跟踪问题,将本文于第四章提出的轻量化优化算法YOLOv4＿MBS作为检测器,结合设计了自动定位跟踪策略、边界策略和目标巡回策略。在提高模型跟踪精度和稳定性的同时,保证模型能长期且稳定地对单一目标进行语义分割级别地跟踪。5.采用PyQt5设计并实现了空中观测目标的自动跟踪系统。摄像头采集的图像或视频作为系统的输入,通过调用经策略优化的跟踪模型,对图像帧中的目标进行分析和跟踪。本论文设计实现的空中观测目标的自动跟踪系统,系统性能优越稳定性强,可应用于边防巡检领域,提高边防人员的工作效率,降低其作业难度和风险,具有较大的实际应用价值。