基于孪生网络特征融合的无人机目标跟踪方法研究.pdfVIP

基于孪生网络特征融合的无人机目标跟踪方法研究

摘要

近年来，随着无人机的广泛应用与目标跟踪技术的发展，无人机目标跟踪成为了热

门研究之一。探究跟踪性能更好、速度更快的无人机目标跟踪算法在侦察监视、远程打

击和农业植保、灾害应对等军事民生领域具有很高的应用价值和现实意义。无人机目标

跟踪任务需要应对复杂的空中环境和无人机平台有限的计算资源。目前基于深度卷积孪

生神经网络的目标跟踪算法能够较好地实现跟踪精度和计算效率的平衡，成为了研究无

人机目标跟踪算法的主流。然而当前的目标跟踪算法在面对复杂极端的自然环境时依然

存在一些不足，本文从两个方面对无人机单目标跟踪算法和多目标跟踪算法进行了改进。

针对现有无人机单目标跟踪模型，对不同尺度跟踪目标适应性不足和易受到相似语

义干扰物影响的问题，本文提出基于Transformer定位器的无人机单目标跟踪模型

SiamTLN。该模型利用Transformer结构对SiamAPN模型的特征融合模块进行改进，引

入Transformer定位器模块，对原生Transformer结构作轻量化处理，融合通道注意力和

自注意力机制提升模型的识别能力。另外，模型利用通道注意力机制改进SiamAPN模

型的APN模块，引入目标查询生成模块，融合多尺度特征提升模型对不同尺度目标的

适应性，生成携带注意力的稀疏目标查询特征，减少计算成本，提升收敛速度。对比实

验表明SiamTLN模型在跟踪精度和成功率上取得了一定的性能提升，不仅有效解决了

相似语义干扰物的问题，并且在长时间的目标跟踪中也取得了一定的进步。

针对无人机多目标跟踪算法面对空中视角变化导致的目标检测困难以及无人机视

角下遮挡导致的级联匹配困难的问题，本文提出基于相似性学习的无人机多目标跟踪算

法SLMOT。算法引入目标身份特征更新网络，优化FairMOT多目标跟踪模型的目标检

测过程，利用通道注意力机制融合相邻两帧图像信息，增强目标的身份嵌入特征表示，

使算法能够跟随无人机视角变化自适应地更新目标身份信息。另外，SLMOT引入基于

孪生网络的相似度匹配算法，改进FairMOT模型的跟踪匹配过程，利用孪生网络的双分

支结构对跨帧目标进行外观相似性度量，利用自注意力机制生成可靠的目标特征用于相

似性级联匹配。对比实验和消融实验验证了算法的有效性，使模型在精度、成功率以及

目标关联方面取得了一定的性能提升。

关键词：无人机目标跟踪；孪生神经网络；特征融合；Transformer定位器；相似性

级联匹配

基于孪生网络特征融合的无人机目标跟踪方法研究

Abstract

Inrecenttimes,theadventandburgeoningutilizationofunmannedaerialvehicles(UAVs)

coupledwiththeadvancementsinobjecttrackingtechnologieshavepropelledUAVobject

trackingintothelimelightasaburgeoningresearchdomain.InvestigatingUAVobjecttracking

algorithmsthatnotonlyenhancetheperformanceoftrackingbutalsoexpeditetheprocesshas

acquiredsignificantapplicativevalueandpracticalrelevance.UAVobjecttrackingtasks

grapplewithmanifoldchallenges,whichincludelow-resolutionimaging,occlusionphenomena,

illuminationvariability,alterationsinviewpoint,rapidobjectmobility,aswellasthe

computational