Algoritmo de Detección y Seguimiento de Objetivos en Tiempo Real con UAV Basado en KCF Mejorado y YOLOv5s_MSES
Autores: Cao, Shihai; Wang, Ting; Li, Tao; Fei, Shumin
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Algoritmo de Detección y Seguimiento de Objetivos en Tiempo Real con UAV Basado en KCF Mejorado y YOLOv5s_MSES
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Algoritmo de seguimiento
CF
Seguimiento de UAV
Efectos de frontera
Cambio de escala
Búsqueda espaciotemporal
YOLOv5s_MSES
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
En la última década, aunque el filtro de correlación (CF) ha logrado desarrollos rápidos en el campo del seguimiento de vehículos aéreos no tripulados (UAV), la capacidad de discriminación entre el objetivo y el fondo aún necesita una mayor investigación debido a los efectos de borde. Además, cuando el objetivo está ocluido o sale del campo de visión, puede resultar en la pérdida de seguimiento del objetivo. Para abordar estas limitaciones, este trabajo propone un algoritmo de seguimiento CF mejorado basado en algunos existentes. En primer lugar, en cuanto al cambio de escala del objetivo de seguimiento, se propone una caja de escala adaptativa para cambiar ajustablemente la escala de la caja del objetivo. En segundo lugar, para abordar los efectos de borde causados por maniobras rápidas, se presenta una estrategia de búsqueda espaciotemporal, utilizando el contexto espacial de la región objetivo en el cuadro actual y la información temporal de los cuadros anteriores. En tercer lugar, con el objetivo de resolver el problema de la pérdida de seguimiento debido a situaciones de oclusión o fuera de vista, este trabajo propone una estrategia de fusión basada en el algoritmo de detección de objetivos YOLOv5s_MSES. Finalmente, los resultados experimentales muestran que, en comparación con el algoritmo base en el conjunto de datos UAV123, nuestro DP y AUC aumentaron en un 14.07% y un 14.39%, respectivamente, y los cuadros por segundo (FPS) ascienden a . Además, en el conjunto de datos OTB100, el algoritmo propuesto demuestra mejoras significativas en las métricas de precisión de distancia (DP) en cuatro atributos desafiantes en comparación con el algoritmo base, mostrando un aumento del 12.85% para la variación de escala (SV), 16.45% para el movimiento rápido (FM), 18.66% para la oclusión (OCC) y 17.09% para escenarios fuera de vista (OV). En resumen, el algoritmo propuesto no solo logra el efecto de seguimiento ideal, sino que también cumple con el requisito de tiempo real con mayor precisión, lo que significa que el rendimiento integral es superior al de algunos métodos existentes.
Descripción
En la última década, aunque el filtro de correlación (CF) ha logrado desarrollos rápidos en el campo del seguimiento de vehículos aéreos no tripulados (UAV), la capacidad de discriminación entre el objetivo y el fondo aún necesita una mayor investigación debido a los efectos de borde. Además, cuando el objetivo está ocluido o sale del campo de visión, puede resultar en la pérdida de seguimiento del objetivo. Para abordar estas limitaciones, este trabajo propone un algoritmo de seguimiento CF mejorado basado en algunos existentes. En primer lugar, en cuanto al cambio de escala del objetivo de seguimiento, se propone una caja de escala adaptativa para cambiar ajustablemente la escala de la caja del objetivo. En segundo lugar, para abordar los efectos de borde causados por maniobras rápidas, se presenta una estrategia de búsqueda espaciotemporal, utilizando el contexto espacial de la región objetivo en el cuadro actual y la información temporal de los cuadros anteriores. En tercer lugar, con el objetivo de resolver el problema de la pérdida de seguimiento debido a situaciones de oclusión o fuera de vista, este trabajo propone una estrategia de fusión basada en el algoritmo de detección de objetivos YOLOv5s_MSES. Finalmente, los resultados experimentales muestran que, en comparación con el algoritmo base en el conjunto de datos UAV123, nuestro DP y AUC aumentaron en un 14.07% y un 14.39%, respectivamente, y los cuadros por segundo (FPS) ascienden a . Además, en el conjunto de datos OTB100, el algoritmo propuesto demuestra mejoras significativas en las métricas de precisión de distancia (DP) en cuatro atributos desafiantes en comparación con el algoritmo base, mostrando un aumento del 12.85% para la variación de escala (SV), 16.45% para el movimiento rápido (FM), 18.66% para la oclusión (OCC) y 17.09% para escenarios fuera de vista (OV). En resumen, el algoritmo propuesto no solo logra el efecto de seguimiento ideal, sino que también cumple con el requisito de tiempo real con mayor precisión, lo que significa que el rendimiento integral es superior al de algunos métodos existentes.