基于計算機視覺的無人機目標檢測算法綜述

黃罡

摘要：無人機是信息化時代的新型技術產物，它涉及數據采集、智能控制、信息處理、通信等相關技術。同時具有操作靈活、體積小巧、機動性高等優點，這些特點都有效的豐富了無人機多元化的使用場景。隨著無人機技術的不斷成熟，無人機已經在相關領域被廣泛使用。有別于載人航空設備，無人機要在弱人機交互環境下實現相關任務，就需要擁有場景智能解讀和處理能力，對于場景的理解力的提升必然要基于目標檢測。計算機視覺技術早在20世紀90年代就已經開始應用于無人機領域，早期受限于微處理器較差的運算能力，相關算法雖然有一定的優化但總體上發展緩慢。經過幾十年的發展，目前隨著處理器運算能力的顯著提升，利用計算機視覺相關技術解決無人機應用中的問題顯得更加得心應手。

關鍵詞：計算機視覺;無人機;目標檢測;

引言

隨著無人機在軍用及民用領域的廣泛應用，以無人機為平臺的圖像獲取和處理技術在軍事、交通、物流和攝影等諸多領域得到快速發展?；跓o人機視覺的多目標跟蹤技術已成為一項重要的研究課題。而無人機采集的視頻中往往存在目標被遮擋而發生身份跳變的問題，因此研究一種高效、魯棒的無人機多目標跟蹤算法對無人機的應用具有十分重要的意義。

1算法概述

基于目標檢測的多目標跟蹤策略，也稱為TBD（Tracking By Detection）策略，是當前MOT算法研究的熱點。本文采用的TBD策略為先用YOLOv4-ti?ny檢測進行目標檢測，再用Deep SORT進行多目標跟蹤。具體實現步驟：首先使用YOLOv4-tiny目標檢測算法對當前無人機視頻中的行人及車輛進行檢測，得到其位置坐標、分類及可信度;其次使用卡爾曼濾波算法預測下一幀的目標框狀態，對預測結果和測量結果進行更新;緊接著使用匈牙利算法將當前檢測到的目標與上一幀檢測到的目標進行級聯匹配，得到關聯的目標框;最后根據匹配結果將關聯的目標框作為觀測值更新狀態，得到當前幀的更新結果。

2目標檢測在無人機領域的前沿研究

2.1復雜環境小目標下的研究

受到航拍過程中目標像素過低且環境復雜因素的影響，目標檢測中的小目標檢測一直都是研究中的難點。對于無人機圖像中復雜背景下噪聲信息過大的問題，Audebert等同過全卷積網絡對檢測目標進行嚴格分割，而后通過連通分量進行目標檢測，從而證明了語義分割和目標檢測的結合可以有效提高目標檢測效率。在此基礎上采用了RPN來對噪聲信息進行抑制。此方法將集成后的新特征點進行空洞空間金字塔池化和卷積得到語義特征后，由RPN得到Region Proposal再根據概率值篩選后經過類似的標記過程被傳入R-CNN子網絡進更加準確的坐標回歸。在小目標檢測方面，為了提高檢測的準確性，2016年提出了FPN算法，通常高層特征語義信息較為豐富而目標位置卻不太準確底層特征語義雖然較少但是目標位置更加準確，作利用深度卷積網絡固有的多尺度金字塔層次結構來構建具有邊際額外成本的特征金字塔。開發了具有橫向連接的自頂向下架構，用于構建所有尺度的高級語義特征圖。FPN算法將不同特征層獨立進行預測，采用了頂層特征和低層特征做融合。

2.2無人機目標跟蹤

KCF算法中，以前一幀目標的位置信息作為下一幀目標跟蹤區域擴展和采樣的中心，這樣即認為下一幀目標出現的位置總在擴展后的區域內，但事實卻并非如此，被跟蹤目標一直處于運動的狀態，所以前一幀和下一幀總存在一定的位移，這就是跟蹤誤差產生的原因，隨著幀數的增多，誤差也會一點點增大，最終會跟丟目標，因而本文采用了基于運動預測的跟蹤算法。

2.3檢測速度方面的研究

雖然無人機硬件目前處理速度得到了極大的提高，但檢測速度仍舊是研究的重點方向之一，北京理工大學的算法論文提出了提出了一種對YOLOv3的改進版本，對原始模型的卷積層執行通道進行了修剪，在VisDrone2018-Det基準數據集上評估顯示參數尺寸和浮點運算均產生了大幅度的下降，運行速度成功提高了兩倍左右，且檢測精確度和YOLOv3保持相當。

2.4融合型數據關聯框架

融合型數據關聯方法的核心思想是在時間窗內找出現有軌跡與連續視頻幀檢測之間的相關性。與最小費用網絡流模型類似，融合型數據關聯框架將每個現有軌跡識別為特定對象。所有對象和關聯可能性組成一個網絡，其中對象由網絡的節點表示，關聯可能性由邊緣表示，邊緣代價用來衡量關聯的可能性。然后，該方法的實現轉化為通過指定對象流的最小代價來尋找最佳關聯。為了實現該方法，引入一個虛擬對象來識別新的對象，該對象被認為是軌跡的原點。根據不同的現有軌跡，建立一個特定的模型，將特定對象與其他對象和背景區分開來，用于計算網絡各方的成本。

3無人機的目標檢測算法研究

3.1圖像濾波

圖像過濾旨在消除原始圖像中的噪音。有多種圖像過濾方法，如平均過濾、平均過濾等。雖然使用「平均」濾鏡可以減少雜訊，但經過濾鏡處理的影像邊緣會變得模糊。使用平均濾鏡可以減少雜訊，并使影像邊緣變得更清晰，特別是對于胡椒鹽雜訊而言，濾鏡效果更佳。

3.2圖像分割

圖像分割是一種圖像處理技術，可根據需要將圖像分割為多個重要區域或部分，其質量直接影響到以后圖像處理的效率[3]。圖像量化后，將圖像分割算法分為三大類：（1）基于閾值的分割方法;2）邊緣分割方法;3）分區方法。區域不成體系的方法包括《區域司合并法》和《區域增長法》。

3.3目標識別

3.3.1基于經典的統計識別方法

該方法生成大量樣本，測量目標特征分布，并使用特征匹配分類技術在場景定義域中確定距模型空間的目標。此方法無法正確識別復雜環境中或目標變更時的目標。

3.3.2基于信息融合的目標識別方法

此方法結合了不同功能的傳感器，以提高系統識別復雜場景中目標的能力。目標識別方法目前主要側重于算法研究和模型開發。

3.3.3基于知識的目標識別方法

這種方法的主要目的是查明現有的知識來源，在應用新的環境中有效地組織和驗證知識，了解規則并明確表達規則。域知識處理能力和組合決定了識別算法的性能。

結束語

無人機領域目標檢測算法的相關研究目前受到了國內外的高度關注。雖然相關的算法優化已經取得了不錯的效果，但是依然存在優化和改進的空間。從近年來的主要研究方向來看，主要集中在尋求檢測準確度與檢測速度之間的最佳契合點?；赮OLO算法的目標檢測雖然提出的時間不長，但是研究趨勢更加符合無人機的發展。本文從基于計算機視覺的無人機檢測技術角度出發，概括了目標檢測在無人機中的具體問題，總結概況了目前主流的目標檢測算法和各自算法的聯系，同時結合無人機發展的具體需求，分析了目前對于無人機目標檢測技術主流的改進優化方向。隨著無人機應用需求的進一步提高，目標檢測必然取得更加飛速的發展。在軍事、民用領域都有著廣泛的應用價值。

參考文獻

[1] 楊浩然，張雨晗.基于計算機視覺的無人機目標檢測算法綜述[J].電子測試，2022，36（04）：44-45+36.

[2] 徐中旭.基于計算機視覺的無人機目標跟隨技術研究[D].南京郵電大學，2021.

[3] 周強.基于計算機視覺的無人機目標檢測與隊形識別技術研究[D].中國電子科技集團公司電子科學研究院，2021.

[4]沈杰.計算機視覺技術在無人機上的應用[J].數碼世界，2020（04）：11-12.

[5]黃潔，唐守鋒，童敏明，李童童，皇甫淑云.計算機視覺技術在無人機上的應用[J].軟件導刊，2019，18（01）：14-16.