融合视觉显著性再检测的孪生网络无人机目标跟踪算法

周士琪，王耀南，钟杭

（1. 湖南大学 电气与信息工程学院，湖南 长沙 410082; 2. 湖南大学 机器人视觉感知与控制技术国家工程实验室，湖南 长沙 410082）

无人机因其隐蔽性高、体积小、机动性强等优点，已被广泛应用于智慧交通、抢险救灾、军事侦察、航拍等领域[1]。随着计算机视觉与人工智能技术的不断发展，面向无人机的目标跟踪算法，因能使无人机执行更多自主任务，成为了当下研究的热点[2]。无人机在执行跟踪任务过程中，由于平台的运动与图像的不稳定性，往往会使拍摄的图像序列视角变化更大、目标尺度变化快、背景模糊、遮挡频繁等。因此，研究一种高效而鲁棒的目标跟踪算法，对无人机的应用具有重要的价值与意义。

近年来，以CSK（circulant structure of trackingby-detection with kernels）[3]、KCF（kernelized correlation filters）[4]为代表的传统相关滤波算法，因其明显的速度优势在无人机目标跟踪领域中得到广泛关注。但是，基于传统方法的目标跟踪算法利用手工设计的特征提取器，往往对目标的变化不鲁棒，在一些复杂条件下的无人机跟踪过程中，效果并不理想。随着深度学习技术的发展，深度网络因其良好的特征表达能力，相较传统的特征提取方法已取得了明显的优势。如C-COT（continuous convolution operators for visual tracking）[5]、ECO(efficient convolution operators for tracking)[6]，利用离线训练获取特征提取网络，使跟踪精度得到了显著提升，但是算法的运行速度难以满足无人机目标跟踪的实时性要求。2017年，Tao等[7]提出SINT（Siamese instance search tracking）算法，首次将孪生网络应用于目标跟踪领域。之后，Bertinetto等[8]提出了SiamFC（Siamese fully convolutional），一种基于孪生网络全卷积目标跟踪算法，采用端到端的方式直接训练整个网络,该算法在速度与精度上都取得了较好的效果，这也使得孪生网络在跟踪领域受到了越来越多的重视。……