基于目标-背景差异特征增强的高性能遥感小目标跟踪算法HP-Tracker研究

【编辑推荐】针对卫星视频中目标尺寸小、背景相似度高导致的漏检与轨迹漂移问题，研究团队提出新型TBD框架HP-Tracker。通过FETBD模块增强小目标特征表达，结合DPA算法与RK4-KFPCS策略优化轨迹预测，并设计STF算法过滤静态目标干扰。实验验证其在VISO等数据集上的优越性，为军事侦察、智能交通等应用提供关键技术支撑。

　　

在卫星遥感技术快速发展的今天，高分辨率光学传感器已能捕捉大范围动态场景的连续影像。然而，卫星视频中的多目标跟踪(Multi-Object Tracking, MOT)仍面临严峻挑战：车辆、船舶等目标仅占数十像素，与复杂背景高度相似；漏检导致轨迹预测误差累积；静态目标干扰动态目标关联。这些问题严重制约了卫星视频在军事侦察、交通监控等领域的应用价值。

针对上述难题，大连大学的研究团队在《Knowledge-Based Systems》发表论文，提出高性能跟踪框架HP-Tracker。该研究创新性地融合了目标检测与轨迹优化技术：通过目标-背景差异特征增强模块(FETBD)提升小目标检测能力；开发基于历史位置的检测框预测算法(DPA)补偿漏检；采用四阶龙格-库塔法(RK4)动态修正卡尔曼滤波参数(KFPCS)；并设计静态目标过滤算法(STF)优化跟踪场景。

关键技术方法
研究采用Tracking-by-Detection范式，在VISO、SAT-MTB等卫星数据集验证。检测阶段通过图像重建提取浅层特征差异，利用FETBD模块分组增强多尺度特征；跟踪阶段整合DPA算法预测漏检目标位置，RK4-KFPCS策略基于目标重捕获信息更新运动模型参数，STF算法通过运动分析过滤静态干扰。

研究结果

1. 特征增强模块设计：FETBD通过通道分组聚焦不同语义特征，结合重建差异特征使小目标检测AP₅₀
   提升12.6%。
2. 轨迹优化策略：DPA算法使漏检场景下的IDF1提高9.8%，RK4-KFPCS将长时丢失目标的轨迹误差降低23.4%。
3. 静态目标过滤：STF算法在SAT-MTB数据集上减少78%的虚假关联，MOTA指标提升15.2%。

结论与意义
该研究首次系统解决了卫星视频MOT中的小目标特征提取、轨迹漂移和静态干扰三大核心问题。HP-Tracker的创新性体现在：FETBD模块突破传统检测网络对微小目标的表征瓶颈；RK4-KFPCS将数值计算方法引入运动建模，提升非线性轨迹预测精度；STF算法为场景定制化跟踪提供新思路。实验证明该方法在12,000×5,000像素的超高清卫星视频中仍保持实时性，为国土安全、智慧城市等国家战略需求提供关键技术支撑。未来可进一步探索多模态卫星数据融合跟踪，以及面向星上计算的轻量化部署方案。

（注：全文依据原文内容撰写，专业术语如TBD、JDT等均保留原文缩写格式，作者单位名称按要求处理，技术细节未涉及试剂与质粒构建等无关信息）