基于红外-反转红外图像的双分支无人机目标跟踪算法

热红外成像会随场景各个部分的温度变化产生灰度波动,小型无人机目标在建筑等大型背景中穿梭时易受干扰造成目标区域和背景区域之间对比度反转,导致现有的跟踪方法失效。针对该问题,提出一种双分支目标跟踪框架,利用不同分支分别提取原始红外图像及反转红外图像特征,在搜索图像中分别对原始图像与反转图像中的目标模板进行匹配。此外,提出一种互相关特征融合方法,将两个分支的特征进行融合,增强目标区域特征以获得更精准的目标框回归。在ICCV2021 Anti-UAV数据集上进行实验,该算法基于边界框重叠率阈值(0.5)和中心点位置误差阈值(20像素)的跟踪成功率和精确率分别为78.39%和80.07%,比基准算法分别提升5.84%和4.52%,高于TransT、SiamRPN++、SiamMask等算法。结果表明双分支能够有效提升红外目标跟踪的性能。

基于深度卷积神经网络的小型民用无人机检测研究进展

小型民用无人机预警探测是公共安全领域的热点问题,也是视觉目标检测领域的研究难点。采用手工特征的经典目标检测方法在语义信息的提取和表征方面存在局限性,因此基于深度卷积神经网络的目标检测方法在近年已成为业内主流技术手段。围绕基于深度卷积神经网络的小型民用无人机检测技术发展现状,本文介绍了计算机视觉目标检测领域中基于深度卷积神经网络的双阶段算法和单阶段检测算法,针对小型无人机检测任务分别总结了面向静态图像和视频数据的无人机目标检测方法,进而探讨了无人机视觉检测中亟待解决的瓶颈性问题,最后对该领域研究的未来发展趋势进行了讨论和展望。