YOLO-Ro-KCF：一种轻量级的、基于梯度引导的实时多目标跟踪框架，适用于嵌入式无人机视觉系统

《Scientific Reports》：YOLO-Ro-KCF: a lightweight gradient-guided real-time multi-object tracking framework for embedded UAV vision systems

　　

摘要

来自无人驾驶飞行器（UAV）的鲁棒视觉多目标跟踪（MOT）仍然是一个巨大的挑战，因为存在大量小目标、杂乱背景、运动模糊以及频繁的遮挡现象。为了解决资源受限的嵌入式环境中的这些挑战，我们提出了YOLO-Ro-KCF，这是一个新颖的、轻量级的、实时的MOT框架，它将梯度域先验有效地整合到了检测和跟踪过程中。我们的核心创新在于建立了一种统一的、基于梯度的特征表示方法和闭环协同优化机制。YOLO-Ro检测器引入了经过伽马校正的梯度幅度图作为辅助输入通道，显著提高了其对纹理较弱的小目标的区分能力。同时，KCF-Ro跟踪器通过融合梯度方向线索与定向梯度直方图（HOG）特征，并采用多尺度搜索策略，从而在应对尺度变化和部分遮挡时表现出更强的鲁棒性。动态融合模块通过利用空间重叠和速度一致性，自适应地协调检测和跟踪假设。在三个具有挑战性的基准测试——VisDrone2019、UAVDT和Anti-UAV——上的广泛实验表明，YOLO-Ro-KCF取得了业界领先的性能，在NVIDIA Jetson AGX Xavier平台上以43 FPS的帧率运行时，其MOTA（多目标检测准确率）达到了70.6%，HOTA（多目标跟踪准确率）达到了72.1%。全面的消融研究、基于属性的评估以及跨数据集的泛化测试（均显示出2.1%至4.5%的一致性提升）都验证了我们方法的有效性和鲁棒性。这项工作为高精度、低延迟的基于UAV的视觉跟踪建立了一个实用且可部署的范式。