复杂背景下的低空无人机检测与跟踪算法

doi：10.11884/HPLPB202335.230026

1. 大视场中的目标丢失后需要再次检测，但是大视场的检测比较耗时。但是根据实验发现丢失目标通常发生在无人机运动区域的320x320范围内，所以设计辅助网络，当目标丢失后，以320x320区域图像作为输入，使用辅助网络进行目标检测，加快了检测速度。

2. 主网络因为负责大视场的检测，其优化目标为对小目标的检测。主网络的输入尺寸为1024x1024。在SPPF前添加SE注意力；在预测部分增加小目标检测层提高小目标检测效果；设计特征图融合提高对8x8目标的检测。

3. 辅助网络用于在丢失点附近区域快速检测再次出目标，所以输入图像是实验总结出来的320x320，其优化目标为快。使用GhostNet替换大参数量的C3结构；去除了40x40的特征图；

   特征图分辨率	最小检测目标（其映射到特征图至少需要1个像素点表示）
   320x320	-
   40x40	8x8，及以上
   20x20	16x16，及以上

   根据文中描述，无人机尺寸都在16x16以上，所以40x40检测8x8~16x16部分的没有使用到，而16x16以上的也可以从其他特征图被解码出来，所以其功能重合了，为追求速度舍去了40x40的特征图分支。
   
   当然以上的前提是基于其映射到特征图至少需要1个像素点表示这样的认知，否则其信息就会没淹没在该特征图的背景中，不利于解码。

4. 优化CSRT算法。该算法使用HOG特征进行匹配，而HOG中涉及金字塔算法，所以借助GPU并行能力进行速度优化。

5. 特征点（打击点）提取算法：（a）起火时有非常明亮的光斑，直接二值化质心提取；（b）捕获时，OTSU二值化-先开后闭（去噪）-拉普拉斯边缘检测得到轮廓-求轮廓质心

值得借鉴的是：1）大小分辨率捕获模式，兼顾速度和性能；2）特征点的提取方法（虽然能够想到，但是看到大家都这么干证明该方法可行）。