随着无人机技术的迅猛发展,以无人机为平台的目标识别和跟踪已悄悄成为计算机视觉领域的研究重点。实际上,在军方以及生活中都有着采用无人机在空中巡视区域的需求。但是在现有的算法中,处理高空识别跟踪目标的情况较为乏力,因为目标可能存在尺寸较小、缺失纹理信息等缺陷。因此,本论文提出基于视觉的无人机目标识别及跟踪的结构,目的是提高在高空对像素较小目标的检测和跟踪性能。课题来源于军方区域巡视的实际需求,首先了解目标检测和跟踪的各种方法,分析其性能优劣,发现基于回归的检测算法可以兼顾速度和精度的需求,并觉察到相关滤波的跟踪方法表现更为优异,根据应用背景选择YOLOv3和KCF算法。其次,对于因异常气候及光线突变的影响导致的图像失真等情形进行处理。通过彩色图像灰度化、均值滤波、直方图均衡化以及图像矫正的方法增强图像质量,降低后续识别跟踪的难度。接着研究基于聚类分析anchor box以及预测尺度的YOLOv3检测算法。首先简要概述基础的神经网络以及YOLOv3检测算法。然后根据高空检测目标的应用场景,依照采集的数据集特点对anchor box进行聚类分析得到相应的尺寸,以此来对YOLOv3进行改进。再针对目标的特性改进网络,取消3种尺度的预测,只采用4倍降采样的特征图识别目标。并且为防止梯度消失,改进最后的DBL单元为残差单元。然后提出基于运动预测、尺度自适应以及检测调整的KCF跟踪算法。KCF算法采纳了循环矩阵、核函数和傅里叶变换域的方法,在计算量小的情况下提高跟踪的准确性。但是由于应用场景中目标运动速度过快、方向变化频繁、目标尺寸变化大等原因会导致跟踪失败,因此本文提出一种加入运动预测、尺度自适应以及检测调整的KCF方法。设计的跟踪算法可以通过前一帧运动的趋势,预知下一帧目标可能出现的位置。并采用多种尺度,使得在目标大小突变的情况仍能跟踪目标。而且算法还可以根据检测结果调整跟踪结果。最后,根据提出的算法结构进行仿真实验。首先根据高空检测目标的应用场景扩展数据集,再编写算法训练数据集,然后根据权重文件评价训练指标。结果表明,高空检测目标的性能优越,mAP达到89.06%,并且跟踪的位置误差平均小于7像素,跟踪效果好。