一种提升无人机小物体跟踪精度的方法

一种提升无人机小物体跟踪精度的方法

近年来，无人机在交通监控、安防等领域得到广泛应用，但无人机视频中的目标跟踪仍面临诸多挑战。本文提出了一种新颖的目标跟踪方法SFTrack，通过三种简单有效的策略，显著提升了无人机视频中小物体的跟踪精度。

研究背景与意义

无人机（UAV）视频中的多目标跟踪在交通监控系统、警方实时追踪嫌疑人等场景中具有关键作用。然而，由于无人机的快速运动以及高空和广角视角下目标物体的尺寸较小，此任务极具挑战性。为了解决这些问题，研究团队提出了一种简单却更有效的方法，相较于以往的工作更加高效。

主要贡献

1. 提出了一种适用于无人机多目标跟踪的方案，能够有效应对无人机固有的挑战，包括快速且不规则的运动、小尺度物体和遮挡等问题。
2. 引入了一种从低置信度检测开始跟踪的新策略，在无人机场景中尤其有效。为管理这些低置信度检测，研究团队建议重新审视基于手工设计特征的传统外观匹配算法。
3. 在多个数据集上对方法进行了全面评估，包括VisDrone2019、UAVDT和MOT17，展示了其有效性和卓越的性能。
4. 识别并修正了UAVDT数据集中缺失和错误的标注，贡献了更准确的评估并促进了进一步研究。

核心原理

该方法围绕三个关键策略展开：

1. 低置信度检测的利用：传统跟踪方法通常会忽略置信度较低的检测结果，而本方法则充分利用这些低置信度检测，以避免遗漏小目标或快速移动的物体。
2. 自适应关联策略：结合了基于传统外观特征的匹配算法，适用于频繁出现低置信度检测的情况。这种方法在连续帧之间维持较高的身份保持能力。
3. 无人机运动补偿：引入了一种专门为无人机设计的运动补偿技术（UAV Motion Compensation, UAV MC），通过保持目标的纵横比来改善运动带来的目标形变。

实验结果

实验结果表明，SFTrack在多个基准数据集上显著优于现有方法：

• 在VisDrone2019和UAVDT数据集上，SFTrack在大多数评估指标上都优于其他方法。例如，与表现最好的ByteTrack相比，SFTrack的多目标跟踪准确率（MOTA）提高了4.9%。
• 在MOT17（非无人机）数据集上，SFTrack同样表现出色，特别是在使用性能较低的YOLOX Nano时，仍能有效处理检测性能下降带来的更多低置信度检测。

结论与展望

研究团队提出了一种新颖的关联方法，通过三个简单而有效的策略来进行目标跟踪，重点解决无人机视频中的独特挑战。此外，研究团队还识别并修正了UAVDT数据集中现有的标注错误，增强版的数据集将公开发布，为该领域提供更为准确的基准资源。