基于机器视觉的无人机目标跟踪方法研究

申报人：崔墨然申报日期：2025-01-05

基本情况

所属批次:

2025年批次

项目名称:

基于机器视觉的无人机目标跟踪方法研究学生申报

项目类型:

创新训练项目

所属学科门类:

工学

所属专业类:

计算机类

项目来源名称:

学生来源于教师科研项目选题

项目归属学院:

项目期限:

一年期

项目简介:

近年来，无人机受到越来越多的关注，并运用于各个行业，如军事、救援、航空、农业等。而大多数无人机的目标跟踪都依赖于GPS等定位设备，无法实现完全独立自主跟踪目标的任务。本项目将对目前主流的相关滤波、深度学习等跟踪算法进行研究，力求改进其中的不足，以应对无人机目标跟踪时所遇到的摄像头抖动、目标遮挡与消失、形态变化、图像模糊、光照变化等问题。

负责人曾经参与科研的情况:

华数杯数学建模竞赛三等奖

全国大学生数学建模竞赛省级三等奖

指导教师承担科研课题情况:

主持国家自然科学基金1项，教育部重点实验室基金1项；参与国家自然基金6项。

指导教师对本项目的支持情况:

指导教师的研究方向为机器学习，能够对项目提供相应的理论和技术指导，确保该学科项目的顺利实施。

项目级别:

区级

项目成员

序号	学生	所属学院	专业	年级	项目中的分工	成员类型
1	崔墨然	计算机科学与工程学院	软件工程	2023	统筹全局工作	第一主持人
2	付裕彬	数学与统计学院	信息与计算科学	2022	算法实现	成员
3	刘薇	数学与统计学院	信息与计算科学	2023	算法设计改进	成员
4	唐伟程	物理与电子信息工程学院	电子信息工程（应用）	2022	算法设计改进	成员
5	毕延哲	计算机科学与工程学院	计算机科学与技术（应用）	2022	算法设计改进	成员

指导教师

序号	教师姓名	所属学院	是否企业导师	教师类型
1	石凯	计算机科学与工程学院	否	第一指导教师
2	罗旋	土木工程学院	否	指导教师

立项依据

研究目的:

随着科技的飞速发展，无人机技术在我国得到了广泛应用和推广。无人机目标跟踪也逐渐进入大家的视野中，无人机能够检测、跟踪并可能跟随目标移动。近年来，无人机在各种应用场景中的感知能力、效率和准确性不断提高。这项技术使无人机能够在复杂的环境条件下，如城市监控、环境监测、农业管理等领域，有效地识别、定位和跟踪目标。深度学习技术的应用提高了无人机目标跟踪的精度和鲁棒性，尤其是在目标外观变化、遮挡和复杂背景等挑战性情况下。无人机目标跟踪面临着如目标尺度复杂多变、姿态变化剧烈、相似目标干扰等技术挑战，研究旨在提出解决方案以提高跟踪的准确性和鲁棒性。

研究内容:

1）研究现有的基于相关滤波的无人机目标跟踪算法，在保证精度的同时提高实时性及其在应对遮挡问题时的改进方向。

2）研究现有的基于深度学习的跟踪算法，利用深度特征来提高无人机目标跟踪的准确性和鲁棒性。

国、内外研究现状和发展动态:

目前，主流的目标跟踪算法主要可分为相关滤波和深度学习两大类。其中，相关滤波是一种在目标跟踪领域广泛使用的技术，它的核心思想是通过构建一个响应图像（即目标模板）与搜索区域之间的相关性来定位目标。这种方法始于2012年，由P. Martins提出的CSK（Correlation Filter with Large Displacement）方法。相关滤波算法通过在频域内进行快速傅立叶变换（FFT）来加速计算过程，从而实现高效的目标跟踪。在相关滤波中，目标模板被视为一个信号，而搜索区域中的每个位置都与这个信号进行相关运算。相关性最高的区域被认为是目标的新位置。这种方法的优点在于它能够处理目标的尺度变化和旋转，并且对于目标的快速运动和背景干扰具有一定的鲁棒性。相关滤波算法通常包括训练和跟踪两个阶段。在训练阶段，算法通过正负样本（通常是目标附近的区域作为正样本，远离目标的区域作为负样本）来学习一个区分目标和背景的滤波器。在跟踪阶段，这个滤波器被应用于当前帧的搜索区域，以确定目标的位置。由于相关滤波算法在频域内进行操作，它可以显著减少计算量，使得跟踪算法能够实时运行，帧率高达100-400fps。这种算法的简洁性和高效性使其成为实时目标跟踪领域的一个基石。

随着深度学习的引入，相关滤波算法与深度特征结合，进一步提高了目标跟踪的性能和鲁棒性。深度学习是一种数据驱动的算法模型，它依赖于大量的标记数据集来训练，以便捕捉数据的内在分布特性，并构建一个能够反映这些特性的特征提取系统。大多数基于深度学习的追踪算法都是通过这种方式对目标的外观特征进行建模，然后在每一帧图像中搜索与目标模板外观特征相似度最高的图像块，将匹配度最高的图像块的位置确定为目标在图像中的位置，以此实现目标追踪。总的来说，深度特征提取或端到端的深度学习框架能够增强追踪算法的鲁棒性，但深度网络的逐层处理也会导致较高的计算成本，这可能会显著降低追踪算法的实时性。

近年来，随着无人机技术的广泛运用，有研究者开始尝试利用无人机进行辅助跟踪，取得了较好的跟踪效果。但是，相关的研究工作处于起步阶段，已发表的研究成果较少，如何充分有效地利用两个模态的信息获得可靠的融合跟踪结果，仍然亟待进一步研究。

创新点与项目特色:

1）研究如何从复杂的无人机视觉场景中准确提取目标特征，并建立有效的模型来描述这些特征，研究能够适应目标多变性（如形状、大小、纹理等）的算法。

2）研究和改进算法以处理目标跟踪中的非线性和非高斯问题。优化现有算法，以更好地适应实际跟踪场景中的不确定性和复杂性。

3）研究如何使跟踪算法对光照条件的变化具有鲁棒性。开发能够自动调整以适应不同光照条件的算法，或者使用在各种光照条件下都能保持性能的特征提取技术。

技术路线、拟解决的问题及预期成果:

技术路线：

• 经典跟踪算法：包括基于相关滤波的跟踪算法和基于深度学习的跟踪算法。相关滤波算法如卡尔曼滤波（KF）、粒子滤波（PF）和均值漂移（meanshift）等，这些算法在处理非线性非高斯问题时需要改进以适应实际场景。深度学习算法则利用卷积神经网络（CNN）来提取特征并进行目标跟踪。

• 数据关联方法：传统的数据关联方法主要负责数据关联，而深度学习（DL）只负责目标检测。近年来，基于学习的数据关联方法被提出，例如四重卷积神经网络（Quad-CNN）通过四重丢失来学习帧间的数据关联。

• 端到端网络：一些研究设计了端到端网络来解决关联问题，例如通过训练自定义深度关联网络实现多目标跟踪的方法。

• 优化方法：针对无人机航拍图像中目标多为小目标、背景杂乱、目标尺度变化大等问题，研究者们提出了多种优化方法。例如，通过改进网络模型和优化损失函数来提高网络对图像的特征提取能力。

拟解决的问题包括：

• 目标特征提取及模型建立困难：由于无人机视觉目标跟踪场景的复杂性和运动目标的多变性，目标特征提取及模型建立面临挑战。

• 非线性非高斯问题：实际目标跟踪场景多为非线性非高斯问题，需要改进算法以适应实际场景。

• 遮挡和光照变化：无人机目标跟踪时，目标可能会被遮挡，光照条件也会变化，这些因素会导致跟踪性能下降。

预期成果：

•通过改进算法和优化模型，预期能够提高无人机目标跟踪的性能，尤其是在复杂场景下。

•预期能够增强无人机目标跟踪算法对遮挡、光照变化等因素的鲁棒性。

•通过优化算法，预期能够提高目标跟踪的实时性，使其更适合无人机的实时监控和侦察任务。

•通过深度学习和数据关联方法的结合，预期能够实现更准确的多目标跟踪。

项目研究进度安排:

1.2025年4月-5月。商讨并确认研究课题的主要方向，收集各个成员的建议。同时精心制作答辩PPT以生动地展示项目的亮点和价值，为立项答辩做好充分准备。

2.2025年6月-8月。对项目的走向和安排进行简要讨论，各个成员根据分工对自己的任务进行初期的准备工作，最后汇总进行整合。

3.2025年8月-11月。项目开发基础期，深入无人机目标跟踪的影响因素、作用机制分析，理解先进的研究成果和方法，进行理论推演以及初步的代码运行，对算法进行初步对比并确定最终方案，并在最终方案的基础上进行改进，对算法进行选型确定。

4.2025年11月-2026年1月。项目开发初期，在对算法进行修改后，对算法的各项指标进行测试，并决定改进的方向。

5.2026年2月至4月，项目开发进入中期阶段，此时算法经过不断的研发与优化，已经取得了相对满意的效果。为了进一步提升算法的完备性和实用性，项目团队需着手对算法进行整合，确保其能够更加全面、准确地解决问题。

2026年5月。提交最终作品，附加算法使用说明与各项研究报告文件。

已有基础:

与本项目有关的研究积累和已取得的成绩:

项目负责人和团队成员在编程竞赛中表现卓越，曾在蓝桥杯和天梯赛等赛事中获奖，显示出他们坚实的编程能力和基础，这使得他们完全有能力承担项目系统的设计和开发任务。项目组成员有论文“Robust Underwater Object Tracking with Image Enhancement and Two-Step Feature Compression”一篇已录用，在相关滤波目标跟踪下具有一定的经验。此外，项目的指导老师在滤波领域拥有深厚的指导经验，能够为项目的成功实施提供强有力的支持。

已具备的条件，尚缺少的条件及解决方法:

1.已具备的条件

研究所的数据集已经成功部署，项目负责人在程序界面开发方面拥有丰富的经验。团队成员对Matlab编程语言有着较高的熟练度，并且已经掌握了算法优化所需的基础数学和统计知识。此外，实验中心配备了高性能的计算机硬件，为实验提供了坚实的技术支持。

2.尚缺少的条件

1）项目缺乏更多优化算法的实验数据，无法判断算法在不同环境下对无人机目标跟踪的表现。

2）在算法配套的技术支撑方面，尚未对相关技术选型进行充分评估和定型。目前对市场可用的工具与平台在性能、易用性、可扩展性以及成本等方面的比较尚不全面，且针对算法研发、部署与运维的整体流程仍需更紧密的衔接与支持。

3. 解决方案

1）在视频网站尽可能多地获取无人机目标跟踪的相关视频，对视频进行标注判断类型，并添加到数据集之中以供测试。

2）在算法配套的技术支撑探索中，计划广泛搜索并对比不同技术方案的优缺点，特别关注那些与无人机目标跟踪相关的实现方式。通过深入对比，我们将筛选出一个到三个具有显著优势的技术方案作为备选。最终，我们将从这些备选方案中选定一个，作为核心技术方案进行深入开发，以确保无人机目标跟踪算法功能的高效与准确实现。

经费预算

开支科目	预算经费（元）	主要用途	阶段下达经费计划（元）
开支科目	预算经费（元）	主要用途	前半阶段	后半阶段
预算经费总额	10000.00	无	3700.00	6300.00
1. 业务费	10000.00	无	3700.00	6300.00
（1）计算、分析、测试费	1300.00	无	600.00	700.00
（2）能源动力费	0.00	无	0.00	0.00
（3）会议、差旅费	1200.00	无	600.00	600.00
（4）文献检索费	2500.00	无	2500.00	0.00
（5）论文出版费	5000.00	无	0.00	5000.00
2. 仪器设备购置费	0.00	无	0.00	0.00
3. 实验装置试制费	0.00	无	0.00	0.00
4. 材料费	0.00	无	0.00	0.00

结束