无人机多车辆检测与跟踪算法毕业论文【附代码+数据】

✅博主简介：本人擅长建模仿真、论文写作与指导，项目与课题交流。项目合作可私信或扫描文章底部二维码。

---

无人机在交通监控中的应用因其灵活性和广阔视野而越来越受关注。然而，由于无人机处于高空，摄像头拍摄的车辆目标相对较小，特别是在复杂的交通场景中，传统的检测算法难以准确识别和检测这些小目标车辆。此外，无人机飞行过程中受到抖动、光照变化等多种不利因素的影响，进一步增加了车辆检测的难度。为了应对这些挑战，本文提出了一种基于YOLOv8的改进小目标检测算法。

首先，针对YOLOv8模型在处理小目标检测时的特征提取能力不足问题，本文在其骨干网络中引入了一种轻量化的BiFormer稀疏动态注意力模块。该模块能够增强网络对特征图中小目标的注意力分配，从而提高小目标的检测精度。通过稀疏化动态注意力机制，BiFormer模块能够集中关注那些具有显著特征的小目标区域，有效提高特征提取能力。

其次，YOLOv8在进行上采样过程中，使用了最近邻插值方法，这容易导致特征图细节和纹理信息的丢失，特别是对于小目标的检测效果不佳。为了解决这一问题，本文将原有的上采样方式替换为CARAFE模块。CARAFE是一种轻量化的上采样算子，它能够更好地保持图像的细节信息，增强模型对小目标的分辨能力，从而进一步提高检测性能。

最后，YOLOv8中使用的IOU（Intersection over Union）作为目标位置匹配的度量标准，常常对小目标位置偏差较为敏感。为了改善这一问题，本文提出了一种新颖的NWD（Normalized Wasserstein Distance）损失函数。NWD能够在较大范围内缓解小目标检测框位置偏差对结果的影响，使得模型在小目标检测中表现更加稳健。

实验结果表明，虽然本文改进后的YOLOv8检测速度相较原始模型有所下降，但检测的精度和召回率显著提升。尤其是在无人机视角下的小目标车辆检测场景中，改进后的模型能够更加准确地捕捉到车辆目标，减少了漏检和误检现象。这证明了本文的改进策略对小目标车辆检测的有效性。

(2) 基于改进SORT算法的多车辆跟踪
无人机平台下的车辆多目标跟踪面临的主要问题是车辆在运动过程中会被遮挡、运动轨迹不规则、以及车辆间的相似性导致的ID混淆问题。传统的跟踪算法，如基于卡尔曼滤波的SORT（Simple Online and Realtime Tracking）模型，虽然具有较高的实时性，但在面对这些问题时表现出不足。因此，本文对SORT算法进行了改进，以提高无人机下的多车辆跟踪精度。

首先，本文对原始的卡尔曼滤波器（KF）进行了优化，用于更准确地估计车辆的位置信息。在每一帧中，KF通过对车辆的运动轨迹进行预测，并与下一帧检测到的车辆边界框进行匹配，更新车辆的位置。在此基础上，本文引入了速度方向一致性匹配和IOU匹配的结合策略，确保车辆在快速运动过程中依然能够保持较高的跟踪精度。

为了进一步减少车辆遮挡时可能导致的跟踪中断，本文提出了一种基于检测值匹配的数据关联方法。当车辆被遮挡，且下一帧中无法检测到该车辆时，传统方法可能会出现ID切换频繁的问题。为了解决这一问题，本文通过历史检测值匹配的方法，将前几帧的车辆位置信息与当前帧的其他车辆进行关联，确保即使在短暂的遮挡后，也能恢复正确的跟踪路径。

此外，考虑到无人机摄像头在飞行时可能受到外界风速等因素影响而产生抖动，导致图像模糊或变形，本文引入了运动相机补偿机制。在每一帧图像处理之前，首先对摄像头抖动进行校正，并将校正后的图像输入卡尔曼滤波器进行后续的跟踪更新。通过这种方式，能够有效减少因抖动导致的跟踪精度下降。

实验结果表明，改进后的多目标跟踪算法在无人机平台下表现出较高的准确度和实时性。相比于原始SORT算法，本文的改进算法在遮挡情况下保持了较高的跟踪精度，减少了ID切换的频繁发生。此外，车辆被遮挡后的恢复率显著提升，说明本文提出的检测值匹配方法在保持连续性方面发挥了良好的作用。

(3) 多目标跟踪中的图像抖动补偿与实验验证
无人机在飞行过程中，受外部环境影响，摄像头的抖动问题不可避免。尤其是在高空飞行时，轻微的抖动都会影响图像质量，进而影响车辆的检测和跟踪效果。为了应对这一挑战，本文设计了图像抖动补偿算法，通过对无人机拍摄的图像进行预处理，校正因抖动造成的图像位移和模糊问题。

本文采用了一种基于运动估计的图像校正方法。通过在每帧图像中提取特征点，计算相邻帧之间的位移差异，并生成图像变换矩阵。然后，利用该矩阵对图像进行逆向变换，恢复原始图像位置，消除抖动对检测和跟踪的影响。校正后的图像将被用于后续的车辆检测与跟踪算法，确保了整个跟踪过程的准确性和稳定性。

在实验验证环节，本文基于真实的无人机视频数据集，进行了多轮对比实验。结果表明，经过图像抖动补偿后的多目标跟踪算法，在不同天气条件和飞行高度下，均能保持较高的精度和实时性。在长时间的无人机飞行过程中，车辆跟踪的持续性也有了明显的改善。特别是在复杂交通场景下，车辆的跟踪稳定性显著提高，进一步验证了本文算法的有效性。

% 基于改进YOLOv8和SORT的无人机多车辆检测与跟踪算法示例

% 加载YOLOv8预训练模型
yoloModel = load('yolov8_model.mat');

% 视频读取
videoReader = VideoReader('drone_video.mp4');
videoFrame = readFrame(videoReader);

% 初始化跟踪器（改进的SORT）
tracker = multiObjectTracker('FilterInitializationFcn', @initKalmanFilter, ...
                             'AssignmentThreshold', 0.2, 'ConfirmationThreshold', [3 5]);

% 设置卡尔曼滤波器初始化
function kalmanFilter = initKalmanFilter(detection)
    kalmanFilter = configureKalmanFilter('ConstantAcceleration', ...
                                         detection.Position, ...
                                         [200, 50], [100, 25], 100);
end

% 初始化视频播放器
videoPlayer = vision.VideoPlayer;

while hasFrame(videoReader)
    % 读取当前帧
    frame = readFrame(videoReader);
    
    % 使用改进的YOLOv8进行车辆检测
    [bboxes, scores, labels] = detect(yoloModel, frame, 'Threshold', 0.5);

    % 进行多目标跟踪
    confirmedTracks = tracker.step(bboxes);
    
    % 绘制检测框与跟踪结果
    frameWithAnnotations = insertObjectAnnotation(frame, 'rectangle', ...
                                                  bboxes, labels);
    step(videoPlayer, frameWithAnnotations);
    
    % 停止条件
    if ~isOpen(videoPlayer)
        break;
    end
end

release(videoPlayer);