DroTrack：不确定条件下基于无人机的高速目标跟踪

我们提出 DroTrack，一种用于无人机捕获视频序列的高速视觉单目标跟踪框架。大多数现有目标跟踪方法旨在应对众所周知的挑战，如遮挡和杂乱背景。无人机在三维空间中的多自由度复杂运动导致高度不确定性。该不确定性问题导致位置预测不准确和尺度估计模糊。DroTrack 通过发现目标表示与运动几何之间的依赖关系来解决此类问题。我们基于模糊 C 均值（FCM）实现了有效的目标分割。我们将空间信息纳入隶属度函数以聚类最具判别性的片段。然后我们使用预训练的卷积神经网络（CNN）模型增强目标分割。DroTrack 还利用几何角运动来估计可靠的目标尺度。我们讨论了使用包含 51,462 帧无人机捕获图像的两个数据集的实验结果与性能评估。FCM 分割与角度缩放的结合使 DroTrack 的精度提高了至多 $9\%$，并将中心位置误差平均减少了 $162$ 像素。DroTrack 优于所有高速跟踪器，并与深度学习跟踪器取得相当的结果。DroTrack 提供高达每秒 1000 帧（fps）的帧率，具有最佳位置精度，优于一组最先进的实时跟踪器。