41、无人机航拍目标检测与跟踪技术解析

无人机航拍目标检测与跟踪技术解析

在无人机航拍领域，目标检测与跟踪是关键技术。为了提高检测和跟踪的准确性和效率，研究人员对相关算法进行了改进。本文将详细介绍基于 YOLOv3 的改进目标检测算法以及 SiamMask 目标跟踪算法，并通过实验验证其效果。

1. 基于 YOLOv3 的改进目标检测算法

• YOLOv3 算法原理
  • YOLO 是 2015 年提出的基于卷积神经网络的目标检测算法，初始版本存在输入图像尺寸固定、每个网格最多只能预测一个目标等缺陷。
  • YOLOv2 引入了 Faster - RCNN 的锚框思想，输出层用卷积层代替全连接层，可改变图像输入尺寸。
  • YOLOv3 构建了 darknet - 53 基础网络，通过 52 个卷积层和 5 次下采样，得到 13×13、26×26 和 52×52 三种不同尺度的特征图。
  • 在特征图上用 3×3 卷积核滑动设置锚框，每个像素作为参考点，选取不同大小的候选区域进行预测。
  • 通过回归确定目标是否在区域框内及具体位置信息，设置预测框与真实目标框的交并比（IoU）阈值为 0.5，保留超过 0.5 的预测框，再用非极大值抑制方法筛选出最佳预测框。
  • 计算预测结果与样本标签真实值的损失值，通过反向传播和梯度下降法更新模型参数，得到优化的目标检测网络模型。
• YOLOv3 损失函数
  • 回归损失函数