基于计算机视觉的无人机目标检测算法综述

黄罡

摘要：无人机是信息化时代的新型技术产物，它涉及数据采集、智能控制、信息处理、通信等相关技术。同时具有操作灵活、体积小巧、机动性高等优点，这些特点都有效的丰富了无人机多元化的使用场景。随着无人机技术的不断成熟，无人机已经在相关领域被广泛使用。有别于载人航空设备，无人机要在弱人机交互环境下实现相关任务，就需要拥有场景智能解读和处理能力，对于场景的理解力的提升必然要基于目标检测。计算机视觉技术早在20世纪90年代就已经开始应用于无人机领域，早期受限于微处理器较差的运算能力，相关算法虽然有一定的优化但总体上发展缓慢。经过几十年的发展，目前随着处理器运算能力的显著提升，利用计算机视觉相关技术解决无人机应用中的问题显得更加得心应手。

关键词：计算机视觉;无人机;目标检测;

引言

随着无人机在军用及民用领域的广泛应用，以无人机为平台的图像获取和处理技术在军事、交通、物流和摄影等诸多领域得到快速发展。基于无人机视觉的多目标跟踪技术已成为一项重要的研究课题。而无人机采集的视频中往往存在目标被遮挡而发生身份跳变的问题，因此研究一种高效、鲁棒的无人机多目标跟踪算法对无人机的应用具有十分重要的意义。

1算法概述

基于目标检测的多目标跟踪策略，也称为TBD（Tracking By Detection）策略，是当前MOT算法研究的热点。本文采用的TBD策略为先用YOLOv4-ti⁃ny检测进行目标检测，再用Deep SORT进行多目标跟踪。具体实现步骤：首先使用YOLOv4-tiny目标检测算法对当前无人机视频中的行人及车辆进行检测，得到其位置坐标、分类及可信度;其次使用卡尔曼滤波算法预测下一帧的目标框状态，对预测结果和测量结果进行更新;紧接着使用匈牙利算法将当前检测到的目标与上一帧检测到的目标进行级联匹配，得到关联的目标框;最后根据匹配结果将关联的目标框作为观测值更新状态，得到当前帧的更新结果。

2目标检测在无人机领域的前沿研究

2.1复杂环境小目标下的研究

受到航拍过程中目标像素过低且环境复杂因素的影响，目标检测中的小目标检测一直都是研究中的难点。对于无人机图像中复杂背景下噪声信息过大的问题，Audebert等同过全卷积网络对检测目标进行严格分割，而后通过连通分量进行目标检测，从而证明了语义分割和目标检测的结合可以有效提高目标检测效率。在此基础上采用了RPN来对噪声信息进行抑制。此方法将集成后的新特征点进行空洞空间金字塔池化和卷积得到语义特征后，由RPN得到Region Proposal再根据概率值筛选后经过类似的标记过程被传入R-CNN子网络进更加准确的坐标回归。在小目标检测方面，为了提高检测的准确性，2016年提出了FPN算法，通常高层特征语义信息较为丰富而目标位置却不太准确底层特征语义虽然较少但是目标位置更加准确，作利用深度卷积网络固有的多尺度金字塔层次结构来构建具有边际额外成本的特征金字塔。开发了具有横向连接的自顶向下架构，用于构建所有尺度的高级语义特征图。FPN算法将不同特征层独立进行预测，采用了顶层特征和低层特征做融合。

2.2无人机目标跟踪

KCF算法中，以前一帧目标的位置信息作为下一帧目标跟踪区域扩展和采样的中心，这样即认为下一帧目标出现的位置总在扩展后的区域内，但事实却并非如此，被跟踪目标一直处于运动的状态，所以前一帧和下一帧总存在一定的位移，这就是跟踪误差产生的原因，随着帧数的增多，误差也会一点点增大，最终会跟丢目标，因而本文采用了基于运动预测的跟踪算法。

2.3检测速度方面的研究

虽然无人机硬件目前处理速度得到了极大的提高，但检测速度仍旧是研究的重点方向之一，北京理工大学的算法论文提出了提出了一种对YOLOv3的改进版本，对原始模型的卷积层执行通道进行了修剪，在VisDrone2018-Det基准数据集上评估显示参数尺寸和浮点运算均产生了大幅度的下降，运行速度成功提高了两倍左右，且检测精确度和YOLOv3保持相当。

2.4融合型数据关联框架

融合型数据关联方法的核心思想是在时间窗内找出现有轨迹与连续视频帧检测之间的相关性。与最小费用网络流模型类似，融合型数据关联框架将每个现有轨迹识别为特定对象。所有對象和关联可能性组成一个网络，其中对象由网络的节点表示，关联可能性由边缘表示，边缘代价用来衡量关联的可能性。然后，该方法的实现转化为通过指定对象流的最小代价来寻找最佳关联。为了实现该方法，引入一个虚拟对象来识别新的对象，该对象被认为是轨迹的原点。根据不同的现有轨迹，建立一个特定的模型，将特定对象与其他对象和背景区分开来，用于计算网络各方的成本。

3无人机的目标检测算法研究

3.1图像滤波

图像过滤旨在消除原始图像中的噪音。有多种图像过滤方法，如平均过滤、平均过滤等。虽然使用「平均」滤镜可以减少杂讯，但经过滤镜处理的影像边缘会变得模糊。使用平均滤镜可以减少杂讯，并使影像边缘变得更清晰，特别是对于胡椒盐杂讯而言，滤镜效果更佳。

3.2图像分割

图像分割是一种图像处理技术，可根据需要将图像分割为多个重要区域或部分，其质量直接影响到以后图像处理的效率[3]。图像量化后，将图像分割算法分为三大类：（1）基于阈值的分割方法;2）边缘分割方法;3）分区方法。区域不成体系的方法包括《区域司合并法》和《区域增长法》。

3.3目标识别

3.3.1基于经典的统计识别方法

该方法生成大量样本，测量目标特征分布，并使用特征匹配分类技术在场景定义域中确定距模型空间的目标。此方法无法正确识别复杂环境中或目标变更时的目标。

3.3.2基于信息融合的目标识别方法

此方法结合了不同功能的传感器，以提高系统识别复杂场景中目标的能力。目标识别方法目前主要侧重于算法研究和模型开发。

3.3.3基于知识的目标识别方法

这种方法的主要目的是查明现有的知识来源，在应用新的环境中有效地组织和验证知识，了解规则并明确表达规则。域知识处理能力和组合决定了识别算法的性能。

结束语

无人机领域目标检测算法的相关研究目前受到了国内外的高度关注。虽然相关的算法优化已经取得了不错的效果，但是依然存在优化和改进的空间。从近年来的主要研究方向来看，主要集中在寻求检测准确度与检测速度之间的最佳契合点。基于YOLO算法的目标检测虽然提出的时间不长，但是研究趋势更加符合无人机的发展。本文从基于计算机视觉的无人机检测技术角度出发，概括了目标检测在无人机中的具体问题，总结概况了目前主流的目标检测算法和各自算法的联系，同时结合无人机发展的具体需求，分析了目前对于无人机目标检测技术主流的改进优化方向。随着无人机应用需求的进一步提高，目标检测必然取得更加飞速的发展。在军事、民用领域都有着广泛的应用价值。

参考文献

[1] 杨浩然，张雨晗.基于计算机视觉的无人机目标检测算法综述[J].电子测试，2022，36（04）：44-45+36.

[2] 徐中旭.基于计算机视觉的无人机目标跟随技术研究[D].南京邮电大学，2021.

[3] 周强.基于计算机视觉的无人机目标检测与队形识别技术研究[D].中国电子科技集团公司电子科学研究院，2021.

[4]沈杰.计算机视觉技术在无人机上的应用[J].数码世界，2020（04）：11-12.

[5]黄洁，唐守锋，童敏明，李童童，皇甫淑云.计算机视觉技术在无人机上的应用[J].软件导刊，2019，18（01）：14-16.