羅 茜 趙 睿 莊慧珊 羅宏剛

（華僑大學(xué)信息科學(xué)與工程學(xué)院，福建廈門 362021）

1 引言

隨著人工智能的發(fā)展與進(jìn)步，無人機(jī)（Un?manned Aerial Vehicles，UAV）發(fā)展迅猛，由于無人機(jī)具有運(yùn)動(dòng)靈活、能耗低、適應(yīng)性強(qiáng)、無人員傷亡風(fēng)險(xiǎn)等優(yōu)勢在軍事和民用領(lǐng)域應(yīng)用廣泛［1-3］，例如用于軍事上的敵情偵察、農(nóng)業(yè)中的灌溉作業(yè)、企業(yè)數(shù)據(jù)檢測等。此外，自21 世紀(jì)以來，計(jì)算機(jī)視覺發(fā)展迅速，尤其是其中的視覺目標(biāo)跟蹤技術(shù)，發(fā)展越來越成熟，在很大程度上解決了人們生活中的智能化需求，例如：自動(dòng)駕駛、智能安保等，提高了人們的生活質(zhì)量，因此將目標(biāo)跟蹤技術(shù)與無人機(jī)進(jìn)行融合展現(xiàn)了巨大的應(yīng)用前景。

由于無人機(jī)可靈活移動(dòng)，對地面觀測的視角廣闊，目標(biāo)搜索范圍較大，有助于采集更加全面的目標(biāo)信息，與此同時(shí)，出現(xiàn)的干擾物體也會(huì)較多，這將導(dǎo)致目標(biāo)與背景之間可區(qū)分性差、目標(biāo)之間相互遮擋等問題的出現(xiàn)；此外，無人機(jī)受到地面高度的制約將導(dǎo)致圖像中的目標(biāo)多為小目標(biāo)，且無人機(jī)由于自身的高速運(yùn)動(dòng)會(huì)頻繁出現(xiàn)相機(jī)抖動(dòng)、視角變換等現(xiàn)象，從而使得跟蹤目標(biāo)尺度變化較大；這些問題將影響無人機(jī)視角下的跟蹤準(zhǔn)確度與精度，且與其他場景下的跟蹤相比，無人機(jī)平臺(tái)下的跟蹤目標(biāo)身份切換次數(shù)也較多。在無人機(jī)視覺領(lǐng)域下，Bae S H等人［4］首次提出利用軌跡置信度來解決目標(biāo)遮擋問題的在線多目標(biāo)跟蹤算法，該算法雖然能夠減小目標(biāo)切換頻次但降低了跟蹤準(zhǔn)確度以及精度。ALSHAKARJI 等人［5］設(shè)計(jì)了一種三步級(jí)聯(lián)數(shù)據(jù)關(guān)聯(lián)方法，既保證了實(shí)時(shí)跟蹤又保證了較高的跟蹤精度，但與此同時(shí)增加了目標(biāo)切換頻次。Jin J等人［6］提出一種新型的在線多目標(biāo)跟蹤網(wǎng)絡(luò)，利用由Siamese網(wǎng)絡(luò)提取到的外觀信息與由光流和卡爾曼濾波器獲取到的運(yùn)動(dòng)信息，將目標(biāo)與現(xiàn)有軌跡關(guān)聯(lián)起來得到跟蹤結(jié)果，雖然能在一定程度上提高跟蹤準(zhǔn)確度，但降低了跟蹤精度且加劇了目標(biāo)漂移。由此可見，現(xiàn)有的無人機(jī)多目標(biāo)跟蹤算法難以平衡目標(biāo)跟蹤精度與目標(biāo)漂移問題，實(shí)現(xiàn)穩(wěn)定可靠的無人機(jī)多目標(biāo)跟蹤依舊面臨著巨大的挑戰(zhàn)。

傳統(tǒng)跟蹤算法大多采用概率密度和圖像邊緣特征作為跟蹤標(biāo)準(zhǔn)，將概率梯度上升的方向作為目標(biāo)搜索方向，這些算法雖然易部署，但其特征表示性能較差，無法處理復(fù)雜場景下的目標(biāo)跟蹤，而深度學(xué)習(xí)與圖像處理的結(jié)合能夠提高特征提取性能且處理速率遠(yuǎn)超于傳統(tǒng)算法，因此基于深度學(xué)習(xí)的跟蹤算法在性能上具有較大的優(yōu)越性。其中，基于檢測的跟蹤［7］（Tracking-By-Detection）是目前使用最為廣泛的跟蹤算法之一。基于檢測的跟蹤主要分為兩大類：一類是將檢測模塊和跟蹤模塊分別訓(xùn)練，再將二者關(guān)聯(lián)起來進(jìn)行目標(biāo)跟蹤；如KIM等人［8］提出一種新穎的多假設(shè)跟蹤算法，通過卷積神經(jīng)網(wǎng)絡(luò)對每個(gè)目標(biāo)進(jìn)行外觀建模，接著與假設(shè)軌跡進(jìn)行最優(yōu)匹配，該算法雖然在性能上相較原始算法有所提升，但速度仍不高。BEWLEY 等人提出SORT［9］（Simple Online and Realtime Tracking），一經(jīng)問世就引起了廣泛關(guān)注，該算法因框架簡單使得運(yùn)行速度較快，但與此同時(shí)，算法抗遮擋能力較差，無法進(jìn)行較長時(shí)間的穩(wěn)定跟蹤。另一類是將檢測模塊與跟蹤模塊集成到單一網(wǎng)絡(luò)中進(jìn)行多任務(wù)學(xué)習(xí)，同時(shí)完成目標(biāo)檢測與跟蹤，例如WANG 等人［10］提出了JDE（Joint Detection and Embedding）算法。前者主要分為兩個(gè)步驟：首先在目標(biāo)檢測模塊中檢測出單幀中的目標(biāo)，提取其分類與定位信息，其次將這些信息輸入到跟蹤模塊中，并提取目標(biāo)的表觀特征，最后將目標(biāo)檢測結(jié)果與跟蹤結(jié)果通過選定的數(shù)據(jù)關(guān)聯(lián)方法進(jìn)行匹配從而創(chuàng)建相應(yīng)的軌跡；由此可知，這種方法需要對目標(biāo)進(jìn)行兩次特征提取，實(shí)時(shí)性較差，但該方法可以針對每個(gè)任務(wù)分別訓(xùn)練最合適的模型，此外，跟蹤模塊首先根據(jù)檢測到的目標(biāo)邊界框進(jìn)行裁剪，然后進(jìn)行特征提取有助于處理對象的比例變化。后者雖然只用單個(gè)網(wǎng)絡(luò)就能同時(shí)進(jìn)行分類、定位、與跟蹤，但錨框較為粗糙，極易產(chǎn)生誤檢，尤其是在小目標(biāo)及目標(biāo)特征不夠顯著的情況下更易產(chǎn)生跟蹤失敗，雖然速度相對提升了，但跟蹤精度與準(zhǔn)確度要更低，即跟蹤穩(wěn)定性較差。而無人機(jī)視角下的圖像具有視野范圍大且背景雜亂、目標(biāo)占據(jù)整個(gè)圖像尺寸較小且特征不明顯等特征，造成目標(biāo)特征提取與模型建立困難，因此，與前者策略相比，后者策略難以在無人機(jī)平臺(tái)下進(jìn)行穩(wěn)定的多目標(biāo)跟蹤。近年來，Transformer 因其具有強(qiáng)大的自注意力層，在圖像識(shí)別以及視頻分析中具有廣泛的應(yīng)用。Zeng F 等人［11］通過引入“track query”對整個(gè)視頻中的跟蹤實(shí)例進(jìn)行建模，“track query”能夠在幀間傳輸并更新從而完成目標(biāo)跟蹤任務(wù)。Cai J 等人［12］基于Transformer 設(shè)計(jì)了一種端到端的多目標(biāo)跟蹤框架，通過一個(gè)大的時(shí)空內(nèi)存存儲(chǔ)被跟蹤對象ID，并根據(jù)跟蹤需求自適應(yīng)地提取和聚合內(nèi)存中的有用信息來實(shí)現(xiàn)目標(biāo)與軌跡之間的關(guān)聯(lián)。Zhou X等人［13］首次提出了一種基于Transformer 的全局多目標(biāo)跟蹤網(wǎng)絡(luò)結(jié)構(gòu)，利用Transformer 對輸入視頻序列中的所有目標(biāo)特征進(jìn)行編碼，并利用軌跡查詢將這些目標(biāo)分配給不同的軌跡。

基于以上分析，本文采用“Tracking-By-Detection”中兩階段跟蹤策略，提出在無人機(jī)平臺(tái)下，聯(lián)合優(yōu)化目標(biāo)檢測器與跟蹤器的多目標(biāo)跟蹤算法。主要貢獻(xiàn)如下：（1）針對無人機(jī)視角下小目標(biāo)檢測性能差、目標(biāo)尺度變化較大問題，本文在YOLOv5的基礎(chǔ)上進(jìn)行改進(jìn)，通過增加小目標(biāo)檢測層來提高對小目標(biāo)檢測精度，利用特征融合將不同尺度的特征進(jìn)行多尺度加權(quán)融合以解決目標(biāo)尺度變化大問題；在骨干網(wǎng)絡(luò)引入Transformer結(jié)構(gòu)，提高目標(biāo)的定位精度。（2）針對復(fù)雜背景干擾、遮擋導(dǎo)致跟蹤目標(biāo)丟失問題，本文采用ResNet50 作為外觀特征提取的骨干網(wǎng)絡(luò)，提高網(wǎng)絡(luò)感知微小外觀能力，并添加時(shí)空注意力模塊從而有效地提取目標(biāo)關(guān)鍵特征，引入Triple loss損失函數(shù)，加強(qiáng)區(qū)分類內(nèi)差異能力。（3）通過在Vis?Drone2021［14］數(shù)據(jù)集上的大量實(shí)驗(yàn)證明，在無人機(jī)平臺(tái)下，改進(jìn)后的目標(biāo)檢測器的平均檢測精確度比原始YOLOv5 提高了11%；在UAVDT［15］數(shù)據(jù)集上跟蹤準(zhǔn)確度與精度分別提高了13.288%、3.968%，且在一定程度上減小了目標(biāo)身份切換頻次，能基本滿足無人機(jī)平臺(tái)下多目標(biāo)跟蹤穩(wěn)定性需求。

2 本文算法

根據(jù)“Tracking-By-Detection”兩階段跟蹤策略，本文通過聯(lián)合優(yōu)化檢測模塊與跟蹤模塊來解決無人機(jī)平臺(tái)下易出現(xiàn)的目標(biāo)漂移（ID Switch），跟蹤丟失等跟蹤失敗問題，主要由四個(gè)部分組成：目標(biāo)檢測、外觀模型、目標(biāo)運(yùn)動(dòng)預(yù)測模型以及數(shù)據(jù)關(guān)聯(lián)，整個(gè)算法結(jié)構(gòu)框架圖如圖1所示。首先將待檢測視頻傳入到目標(biāo)檢測模塊中進(jìn)行目標(biāo)檢測，此時(shí)采用改進(jìn)后的YOLOv5 作為檢測器，輸出目標(biāo)的檢測框信息；其次通過跟蹤模塊中由殘差塊構(gòu)造的特征提取網(wǎng)絡(luò)提取目標(biāo)的外觀特征，同時(shí)利用跟蹤模塊中的預(yù)測模型輸出目標(biāo)的預(yù)測位置信息；最后將目標(biāo)檢測器的檢測結(jié)果與跟蹤模塊的預(yù)測結(jié)果通過關(guān)聯(lián)度量函數(shù)以及關(guān)聯(lián)方法進(jìn)行數(shù)據(jù)關(guān)聯(lián)，根據(jù)關(guān)聯(lián)結(jié)果得到最終的跟蹤結(jié)果。

圖1 算法結(jié)構(gòu)框架圖Fig.1 Algorithm structure framework diagram

2.1 優(yōu)化YOLOv5檢測模型

多目標(biāo)跟蹤策略“Tracking-By-Detection”首先將輸入圖像送入檢測器中的進(jìn)行目標(biāo)檢測后再根據(jù)檢測目標(biāo)進(jìn)行跟蹤，跟蹤性能在一定程度上依賴檢測器效果，因此在跟蹤的整個(gè)過程中，目標(biāo)檢測尤為重要。傳統(tǒng)的目標(biāo)檢測算法主要流程為：首先在輸入圖像中采用滑動(dòng)窗口對圖像進(jìn)行遍歷滑動(dòng)得到目標(biāo)可能所在區(qū)域，得到候選框，其次提取候選框中的圖像特征并轉(zhuǎn)換為特征向量，常用的傳統(tǒng)特征提取算法有梯度直方圖、局部二值算法等，最后根據(jù)特征向量判別是否為目標(biāo)對象以及對應(yīng)的類別。傳統(tǒng)的目標(biāo)檢測算法在候選框選擇時(shí)會(huì)產(chǎn)生大量的冗余窗口進(jìn)而產(chǎn)生冗余計(jì)算，影響整個(gè)算法的速度與性能，此外，傳統(tǒng)算法只能提取低級(jí)特征，最終無法得到全局最優(yōu)解。

近年來，計(jì)算機(jī)技術(shù)的高速發(fā)展解決了深度學(xué)習(xí)的計(jì)算復(fù)雜問題，促進(jìn)了基于深度學(xué)習(xí)的目標(biāo)檢測算法的發(fā)展，相比于傳統(tǒng)算法，其不僅提高了整個(gè)檢測速度且能夠以較高的精度識(shí)別目標(biāo)，成為當(dāng)前目標(biāo)檢測算法的主流研究方向?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法根據(jù)檢測過程中是否含有候選區(qū)域（region proposal）分支劃分為：two-stage 與onestage 檢測算法兩大類。two-stage 檢測算法在檢測過程中含有region proposal，通過卷積神經(jīng)網(wǎng)絡(luò)對region proposal 生成的候選框中的圖像進(jìn)行分類和定位，常見的算法有Faster R-CNN［16］、Libra R-CNN［17］；基于one-stage 的檢測算法使用回歸的方法從空間上分割邊界框和相關(guān)的類別概率，通過用一個(gè)單獨(dú)的端對端網(wǎng)絡(luò)完成目標(biāo)的位置與類別的輸出，顯而易見整個(gè)算法的檢測速度得到了很大的提升，與此同時(shí)，由于沒有更精準(zhǔn)的候選區(qū)域，該算法的檢測精度會(huì)相應(yīng)的降低，但隨著計(jì)算機(jī)性能的提升與深度學(xué)習(xí)的不斷發(fā)展，基于one-stage 的檢測算法網(wǎng)絡(luò)結(jié)構(gòu)得到不斷的優(yōu)化，性能得到不斷的提高。onestage 檢測算法中由YOLO［18］演變而來的YOLOv5 不僅檢測速度快且精度與two-stage 中的Faster R-CNN相當(dāng)，因此本文選用YOLOv5 網(wǎng)絡(luò)模型，并對YO?LOv5網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)優(yōu)化后，將其作為多目標(biāo)跟蹤算法中的檢測模塊以達(dá)到更好的檢測效果。

2.2 檢測網(wǎng)絡(luò)結(jié)構(gòu)

雖然YOLOv5相對其他目標(biāo)檢測算法已取得較好的檢測效果與實(shí)時(shí)性，但其對于小目標(biāo)檢測性能較差，而無人機(jī)視角下的目標(biāo)多為小目標(biāo)且目標(biāo)尺度變化較大，對此，本文提出改進(jìn)優(yōu)化后的YO?LOv5，對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。在骨干網(wǎng)絡(luò)（Backbone）中第二層引出下采樣的第四個(gè)尺度，利用FPN［19］（Feature Pyramid Networks，特征金字塔網(wǎng)絡(luò)）結(jié)合PANet［20］（Path Aggregation Network，路徑聚合網(wǎng)絡(luò)）將四個(gè)不同分辨率的特征圖進(jìn)行特征融合，在預(yù)測部分增加小目標(biāo)檢測層進(jìn)行微小物體檢測，結(jié)合其余三個(gè)預(yù)測層，用四個(gè)不同感受野的預(yù)測層來提高對小目標(biāo)檢測精度，此外，采用自頂向下與自底向上的雙向融合網(wǎng)絡(luò)能較好地適應(yīng)目標(biāo)尺度變化。無人機(jī)平臺(tái)下的背景復(fù)雜、目標(biāo)與背景以及目標(biāo)之間相互遮擋等問題影響目標(biāo)定位的準(zhǔn)確性，對此，本文在骨干網(wǎng)絡(luò)最后一層將原始的BSP（Bottleneck and CSP）替換為Transformer［21］結(jié)構(gòu)，利用Transformer 捕獲全局信息和上下文信息并通過其自注意力機(jī)制挖掘潛在的圖像特征。Transformer結(jié)構(gòu)如圖2 中的C3TR 模塊所示，其包含兩個(gè)子層：multi-head attention layer（多頭注意力層）和MLP（Multilayer Perception，多層感知機(jī)）全連接層；子層之間用殘差結(jié)構(gòu)連接，外加LayerNorm 和Dropout 層防止網(wǎng)絡(luò)過擬合。

圖2 優(yōu)化目標(biāo)檢測網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Optimization target detection network structure diagram

2.3 優(yōu)化Deep-SORT

Deep-SORT［22］在SORT 基礎(chǔ)上使用更加可靠的關(guān)聯(lián)度量和關(guān)聯(lián)方法，能夠有效地進(jìn)行長時(shí)間跟蹤并在很大程度上減少了跟蹤過程中的身份轉(zhuǎn)換（identity switches，IDs）。關(guān)聯(lián)度量的選取以及關(guān)聯(lián)方法是跟蹤模塊的主要任務(wù)，目前的關(guān)聯(lián)度量方法主要是利用外觀相似度、運(yùn)動(dòng)狀態(tài)信息、位置關(guān)系等建立；關(guān)聯(lián)方法主要分為兩大類：離線和在線關(guān)聯(lián)，離線關(guān)聯(lián)根據(jù)全部時(shí)間序列中的目標(biāo)信息，全局優(yōu)化進(jìn)行目標(biāo)和軌跡的關(guān)聯(lián)，而在線關(guān)聯(lián)僅使用當(dāng)前幀與歷史幀信息進(jìn)行關(guān)聯(lián)。在無人機(jī)平臺(tái)下，多目標(biāo)跟蹤算法只能逐幀采集圖像，因此在線關(guān)聯(lián)方法更加適用于無人機(jī)視角下的多目標(biāo)跟蹤。Deep-SORT 聯(lián)合目標(biāo)運(yùn)動(dòng)狀態(tài)信息與外觀特征進(jìn)行關(guān)聯(lián)度量，以此達(dá)到相對穩(wěn)定的多目標(biāo)跟蹤狀態(tài)。

Deep-SORT 利用卡爾曼濾波器預(yù)測速度快且精度較高的特點(diǎn)來估計(jì)目標(biāo)下一幀的狀態(tài)：

其中，(x，y)為目標(biāo)邊界框中心坐標(biāo)；g為目標(biāo)邊界框的長寬比值；h為邊界框高度；(x′，y′，g′，h′)表示為對應(yīng)參數(shù)的速度。得到預(yù)測信息后，采用馬氏距離對目標(biāo)檢測位置與預(yù)測的目標(biāo)狀態(tài)進(jìn)行相似性運(yùn)動(dòng)匹配：

其中，yi代表第i條軌跡的目標(biāo)預(yù)測位置，dj為第j個(gè)目標(biāo)檢測邊界框，Si為卡爾曼濾波器預(yù)測得到的當(dāng)前幀協(xié)方差矩陣，得到二者之間的馬氏距離后，利用χ2分布，通過設(shè)置閾值來判斷第j個(gè)目標(biāo)檢測邊界框是否與第i條軌跡相似：

式中，t(1)為χ2對應(yīng)95%置信度閾值，本文中取為9.4877；若d(1)(i，j)小于閾值取1，表示關(guān)聯(lián)成功，否則取0，表示關(guān)聯(lián)失敗。為了防止丟失目標(biāo)重新進(jìn)入視野而出現(xiàn)身份轉(zhuǎn)換現(xiàn)象的發(fā)生，對一段幀數(shù)內(nèi)目標(biāo)特征向量進(jìn)行保留，由集合Rk表示：

式中，Lk為保留的目標(biāo)特征數(shù)量，本文設(shè)定為100。對于檢測結(jié)果與軌跡的外觀特征的度量，Deep-SORT［22］采用最小余弦距離測量二者之間的特征距離：

得到運(yùn)動(dòng)與外觀信息的匹配關(guān)聯(lián)度量后，將二者機(jī)制融合構(gòu)造關(guān)聯(lián)度量函數(shù)：

其中λ為不同關(guān)聯(lián)度量比例系數(shù)，ci，j越小表示第i個(gè)跟蹤軌跡與第j個(gè)檢測目標(biāo)越相似。聯(lián)合考慮運(yùn)動(dòng)特征與外觀特征來判斷第i個(gè)軌跡與第j個(gè)被檢測目標(biāo)是否關(guān)聯(lián)成功：

最后根據(jù)關(guān)聯(lián)度量結(jié)果利用匈牙利匹配算法得到最優(yōu)跟蹤軌跡。

無人機(jī)存在大量的運(yùn)動(dòng)不確定性，如風(fēng)力影響無人機(jī)穩(wěn)定飛行而產(chǎn)生的相機(jī)抖動(dòng)以及無人機(jī)自身的飛行速度等，從而導(dǎo)致在無人機(jī)視角下相同目標(biāo)相鄰兩幀的馬氏距離仍然很大，即使在匹配正確的情況下，也可能會(huì)誤判為非同一目標(biāo)，最終造成匹配失敗。因此，關(guān)聯(lián)度量需側(cè)重于外觀特征信息，此時(shí)，跟蹤模塊中的外觀建模性很大程度上決定了最終跟蹤結(jié)果。隨著計(jì)算機(jī)視覺的高速發(fā)展，基于深度學(xué)習(xí)的特征提取網(wǎng)絡(luò)展現(xiàn)出其性能的優(yōu)越性與特殊性，與傳統(tǒng)方法相比，它能夠更加完整、可靠地學(xué)習(xí)與提取物體的特征。Deep-SORT 采用11 層神經(jīng)網(wǎng)絡(luò)輸出128 維目標(biāo)特征向量，該網(wǎng)絡(luò)僅能提取較為明顯的特征，對于一些細(xì)微特征提取能力很差，而無人機(jī)視角下的目標(biāo)多為小目標(biāo)，目標(biāo)之間的差異在圖像中可能并不明顯。因此，為了提高原始網(wǎng)絡(luò)的特征提取能力，選擇用ResNet50 網(wǎng)絡(luò)輸出2048維目標(biāo)特征向量，加強(qiáng)網(wǎng)絡(luò)對細(xì)微特征提取能力，此外，在該網(wǎng)絡(luò)中增加時(shí)空注意力機(jī)制以提高網(wǎng)絡(luò)重識(shí)別能力，改善無人機(jī)視角下目標(biāo)長期被遮擋而造成跟蹤丟失問題，最后引入Triple loss損失函數(shù)增強(qiáng)網(wǎng)絡(luò)區(qū)分類內(nèi)差異的能力，最終提高算法跟蹤準(zhǔn)確度與精度，并減小身份切換頻次。

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)過程中采用VisDrone2021 數(shù)據(jù)集訓(xùn)練目標(biāo)檢測網(wǎng)絡(luò)，最終在UAVDT 數(shù)據(jù)集上驗(yàn)證所提出算法的跟蹤性能。VisDrone2021［14］數(shù)據(jù)集由天津大學(xué)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘?qū)嶒?yàn)室AISKYEYE 團(tuán)隊(duì)創(chuàng)建，包含了無人機(jī)拍攝的65228 幀和10209 張靜態(tài)圖像組成的400 個(gè)視頻序列，覆蓋了14 個(gè)不同城市的對象（行人、車輛、自行車等10 種類別對象）。UAVDT［15］數(shù)據(jù)集由100個(gè)視頻序列組成，共8000幀圖片，涵蓋了不同場景下無人機(jī)拍攝的車輛圖像，包括廣場、高速公路、主干道、路口等場景，除此之外，該數(shù)據(jù)集收集了從低到高三個(gè)不同高度下的拍攝圖像并包含了視角變換、相機(jī)運(yùn)動(dòng)、光照變化、背景干擾等航拍難點(diǎn)。

3.2 評(píng)價(jià)指標(biāo)

為了更好地評(píng)估優(yōu)化后算法的性能，本文使用目標(biāo)檢測典型評(píng)價(jià)指標(biāo)AP（Average Precision）和mAP（mean Average Precision）來評(píng)估優(yōu)化前后目標(biāo)檢測器的性能，采用CLEAR MOT［23］評(píng)價(jià)指標(biāo)衡量多目標(biāo)跟蹤算法的性能。

AP指目標(biāo)檢測精確率與召回率繪制的Precision-Recall（PR）曲線與x軸圍成的面積，其中精確度與召回率表達(dá)式分別為式（9）、（10）所示：

其中，TP 為正確檢測出的目標(biāo)，F(xiàn)N 為未檢測目標(biāo)，F(xiàn)P為錯(cuò)檢目標(biāo)。mAP是指所有檢測目標(biāo)類AP的平均值，即：

多目標(biāo)跟蹤C(jī)LEAR MOT［23］評(píng)價(jià)指標(biāo)主要包含以下參數(shù)：

ML（Mostly Lossed）：與GT（Ground Truth）小于20%時(shí)間內(nèi)都匹配成功的跟蹤數(shù)；

MT（Mostly Tracked）：與GT（Ground Truth）在80%時(shí)間內(nèi)都匹配成功的跟蹤數(shù)；

MOTP（Multiple Object Tracking Precision）［23］：

其中表示第t幀下檢測目標(biāo)Oi與其匹配的跟蹤器預(yù)測的目標(biāo)位置之間的距離，ct表示第t幀的成功匹配數(shù)，MOTP（多目標(biāo)跟蹤精度）與目標(biāo)檢測精度有關(guān)，反映跟蹤的定位精確度，數(shù)值越接近1表示精度越高。

其中mt為t幀時(shí)刻漏檢數(shù)，fpt（false positive）為t幀時(shí)刻誤報(bào)數(shù)量，mmet（mismatches）為t幀時(shí)刻錯(cuò)誤匹配數(shù)量，MOTA（多目標(biāo)跟蹤準(zhǔn)確度）與目標(biāo)檢測精度無關(guān)，衡量跟蹤算法在檢測目標(biāo)與保持軌跡的性能，數(shù)值越接近1表示性能越好。

3.3 實(shí)驗(yàn)與結(jié)果分析

本文的網(wǎng)絡(luò)訓(xùn)練與驗(yàn)證平臺(tái)為Intel（R）Core（TM）i7-6700K CPU 和1060Ti GPU。首先驗(yàn)證改進(jìn)后的YOLOv5 性能的優(yōu)越性，選取VisDrone2021 中的目標(biāo)檢測數(shù)據(jù)集訓(xùn)練檢測器，實(shí)驗(yàn)結(jié)果如表1 所示。由于最終在UAVDT 數(shù)據(jù)集上跟蹤的目標(biāo)只有Car、Bus、Truck三大類，所以在目標(biāo)檢測網(wǎng)絡(luò)中關(guān)注該三類檢測的平均精度，以及所有類的mAP，表格中的mAP@.5：.95 表示在不同的交并比閾值（從0.5至0.95，步長為0.05）下的平均mAP。由表1可知，原始YOLOv5 網(wǎng)絡(luò)模型對于無人機(jī)平臺(tái)下的小目標(biāo)檢測性能較差且不同類別目標(biāo)檢測精度差異較 大，Car 的AP 達(dá) 到64.5% 而Truck 的AP 僅 有14.3%，所有類的mAP只有21.0%。

表1 YOLOv5改進(jìn)前后性能對比結(jié)果Tab.1 Performance comparison results before and after YOLOv5 improvement

本文優(yōu)化后的檢測器網(wǎng)絡(luò)模型訓(xùn)練結(jié)果如表中YOLOv5_1 所示，其訓(xùn)練結(jié)果mAP 為32.0%，相比原始網(wǎng)絡(luò)提高了11.0%，且所有類別的AP 值都得到大幅度的提高，說明本文改進(jìn)的目標(biāo)檢測網(wǎng)絡(luò)模型在檢測無人機(jī)視角下的圖像具有明顯的優(yōu)勢，給無人機(jī)視角下的多目標(biāo)跟蹤提供了一個(gè)良好的檢測器，避免因漏檢、錯(cuò)檢等檢測器性能導(dǎo)致后續(xù)的跟蹤失敗問題。

為了進(jìn)一步驗(yàn)證所提出的無人機(jī)平臺(tái)下多目標(biāo)跟蹤算法的性能，本文在UAVDT 中選取白天、黑夜、霧天以及不同角度和不同高度等復(fù)雜場景下的數(shù)據(jù)集進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果如表2 所示，此外，將本文算法與其他兩種多目標(biāo)跟蹤算法的結(jié)果進(jìn)行對比，對比結(jié)果如表3 所示。表2 中Deep-SORT1 表示優(yōu)化后的跟蹤器，且由表2可知，優(yōu)化后的目標(biāo)檢測器（YOLOv5_1）與原始跟蹤器（Deep-SORT）相結(jié)合能夠明顯降低目標(biāo)身份切換頻率，與原始跟蹤算法相比降低了162次，且漏檢數(shù)（False Negative，F(xiàn)N）減小了15593 幀，這表明檢測器的性能能夠直接影響跟蹤算法的整體性能；當(dāng)將改進(jìn)后的目標(biāo)檢測器與原始跟蹤器結(jié)合時(shí)，由于目標(biāo)檢測器精度提高而原始跟蹤器特征提取能力不足，在很大程度上影響了跟蹤準(zhǔn)確度與精度，造成最終跟蹤準(zhǔn)確度與精度的下降。因此需對Deep-SORT 進(jìn)行改進(jìn)，本文通過優(yōu)化Deep-SORT 特征提取網(wǎng)絡(luò)提高M(jìn)OTA 與MOTP值，且大幅度減小IDs。聯(lián)合優(yōu)化后的跟蹤算法性能如表中ours所示，相比于原始跟蹤算法，MOTA 與MOTP 分別提高了13.288%，3.968%，IDs 減小了277次；除此之外，原始檢測器與優(yōu)化后的跟蹤器結(jié)合后的跟蹤性能也能夠得到相應(yīng)的提升，雖然性能沒有聯(lián)合優(yōu)化算法優(yōu)越，但相比于原始跟蹤算法，提高了跟蹤準(zhǔn)確度和精度且改善了IDs，進(jìn)一步表明改進(jìn)后的跟蹤器的魯棒性和優(yōu)越性。表3中選取了具有代表性多目標(biāo)跟蹤算法與本文算法進(jìn)行對比，由表可知CMOT［4］、SORT［9］算法難以平衡目標(biāo)跟蹤精度與目標(biāo)漂移問題，而本文算法在目標(biāo)跟蹤精度、準(zhǔn)確度以及目標(biāo)切換頻次上達(dá)到較好的效果。

表2 本文算法在UAVDT數(shù)據(jù)集中的跟蹤結(jié)果Tab.2 Tracking results of the algorithm in UAVDT dataset

表3 目標(biāo)跟蹤算法性能對比結(jié)果Tab.3 Target tracking algorithm performance comparison results

綜上所述，本文所提出的多目標(biāo)跟蹤算法相較于原始跟蹤算法不僅能夠提高跟蹤準(zhǔn)確度和精確度，還能夠降低目標(biāo)身份切換頻次，能夠在無人機(jī)平臺(tái)下進(jìn)行穩(wěn)定可靠的多目標(biāo)跟蹤。

為了更加直觀地展示跟蹤效果并驗(yàn)證所提出算法的魯棒性，本文選取了UAV123［24］數(shù)據(jù)集上的視頻進(jìn)行展示，實(shí)驗(yàn)效果如圖3 所示。原始跟蹤算法跟蹤效果如圖3（a）所示，在視頻中的第431幀，未能識(shí)別出剛進(jìn)入視野中的左邊白色車輛，直至后兩幀才檢測到該目標(biāo)并標(biāo)記ID 為“9.0 car”，在后續(xù)跟蹤過程中由于背景遮擋，導(dǎo)致跟蹤失敗，使得目標(biāo)ID在第973幀時(shí)切換為“10.0 car”；而左邊白色車輛發(fā)生了兩次身份切換。將原始檢測器替換為YO?LOv5_1 后的跟蹤算法跟蹤效果如圖3（b）所示，整體上的檢測精度較前者算法檢測精度要更高，且抗遮擋能力較強(qiáng)，如圖中第943 幀與第1150 幀所示，即使在目標(biāo)被遮擋的情況下依舊能夠識(shí)別出被檢測對象，改善了原始跟蹤算法因背景復(fù)雜導(dǎo)致跟蹤丟失問題；此外，由于Transformer 具有捕獲全局信息和上下文信息的特點(diǎn)，進(jìn)一步增強(qiáng)了目標(biāo)重新識(shí)別的能力，圖3（b）中雖然三輛車在跟蹤過程中都發(fā)生一次IDs，但后續(xù)又能成功重新識(shí)別為原來的 ID，如第431幀與第1237幀所示，三輛車的ID相同。將跟蹤器替換為Deep-SORT1 后的跟蹤算法跟蹤效果如圖3（c）所示，由于優(yōu)化后的跟蹤器增強(qiáng)了網(wǎng)絡(luò)提取細(xì)微特征的能力以及區(qū)分類內(nèi)差異的能力，與原始跟蹤算法相比，能夠改善跟蹤過程中的失幀問題，如圖中第1156 幀所示，相比于圖3（a），圖3（c）中并沒有出現(xiàn)跟蹤丟失問題，且整個(gè)跟蹤過程中上目標(biāo)切換過程幀數(shù)較少。聯(lián)合優(yōu)化后的跟蹤算法可視化實(shí)驗(yàn)結(jié)果如圖3（d）所示，整個(gè)車輛跟蹤過程中除右邊白色車輛發(fā)生一次IDs 外，其余車輛并沒有發(fā)生身份切換，并且能在目標(biāo)大部分被遮擋的情況下成功地重識(shí)別，整體目標(biāo)檢測精度較原始跟蹤算法要高。此外，本文算法針對霧天公路真實(shí)場景下的車輛進(jìn)行跟蹤實(shí)驗(yàn)，實(shí)驗(yàn)仿真結(jié)果如圖4所示，該場景下的目標(biāo)多為小目標(biāo)且伴有非目標(biāo)遮擋以及視線干擾，由實(shí)驗(yàn)結(jié)果可知，本文算法能夠解決無人機(jī)平臺(tái)下小目標(biāo)檢測性能差、目標(biāo)尺度變化較大、復(fù)雜背景干擾的跟蹤問題，如圖4中‘32.0 car’，在整個(gè)跟蹤過程中僅發(fā)生一次IDs，且在第351幀時(shí)仍能夠識(shí)別被濃霧嚴(yán)重遮擋的小目標(biāo)‘32.0 car’；目標(biāo)‘11.0 car’在跟蹤全程中僅發(fā)生短暫的目標(biāo)丟失后又能夠重識(shí)別為原來的ID。

圖4 復(fù)雜場景跟蹤結(jié)果圖Fig.4 Complex scene tracking results

綜上所示，本文所提出的聯(lián)合優(yōu)化的多目標(biāo)跟蹤算法能夠在無人機(jī)平臺(tái)下進(jìn)行穩(wěn)定可靠的多目標(biāo)跟蹤。

4 結(jié)論

針對無人機(jī)視角下的多目標(biāo)跟蹤，本文提出了一種聯(lián)合優(yōu)化目標(biāo)檢測器與跟蹤器的多目標(biāo)跟蹤算法，實(shí)現(xiàn)了無人機(jī)平臺(tái)下多目標(biāo)可靠穩(wěn)定跟蹤。本文通過在YOLOv5原始網(wǎng)絡(luò)中增加小目標(biāo)檢測層進(jìn)行特征融合解決小目標(biāo)檢測效果差問題，利用Transformer 捕獲全局信息和上下文信息能力挖掘圖像潛在信息，改善航拍圖像中因背景復(fù)雜干擾、遮擋等導(dǎo)致漏檢和錯(cuò)檢問題；在跟蹤模塊，采用ResNet50作為特征提取網(wǎng)絡(luò)并添加時(shí)空注意力模塊來更好地提取外觀顯著性特征，加強(qiáng)網(wǎng)絡(luò)感知微小外觀特征及抗干擾的能力，引入三元組損失函數(shù)加強(qiáng)神經(jīng)網(wǎng)絡(luò)區(qū)分類內(nèi)差異的能力，整體上增強(qiáng)了跟蹤器的魯棒性。實(shí)驗(yàn)結(jié)果表明，與原始算法相比，本文算法在無人機(jī)平臺(tái)下不僅能夠以較高精度檢測目標(biāo)，而且跟蹤精度與準(zhǔn)確度都有所提升，抗遮擋能力較強(qiáng)，能夠適應(yīng)復(fù)雜環(huán)境中的目標(biāo)跟蹤，解決了無人機(jī)平臺(tái)下因小目標(biāo)難檢測、背景復(fù)雜、目標(biāo)相互遮擋等導(dǎo)致的跟蹤失敗問題，基本滿足無人機(jī)平臺(tái)下穩(wěn)定可靠跟蹤條件，具有實(shí)際應(yīng)用價(jià)值。