该文档属于类型a，是一篇关于无人机海上目标自主跟踪研究的硕士学位论文。以下是详细的学术报告内容：

作者及机构
作者费凡（Fei Fan）来自大连海事大学（Dalian Maritime University）船舶电气工程学院，指导教师为王国峰教授（Professor Wang Guofeng）。论文答辩时间为2023年6月，学位类别为工学硕士（Master of Engineering），学科专业为控制科学与工程（Control Science and Engineering）。

学术背景
随着无人机自主化和智能化的发展以及中国“海洋强国”战略的实施，无人机等海洋无人系统在海上任务中的应用研究进入新阶段。无人机与无人船（Unmanned Surface Vehicle, USV）的协同系统可有效完成海上侦察、环境监测和目标跟踪等任务。无人机视觉系统相比无人船具有更全面的视野和更强的环境感知能力，可作为无人船视觉系统的补充。然而，海面环境复杂，存在光照变化、目标遮挡、快速运动等干扰因素，导致传统跟踪算法性能下降。因此，本研究旨在提出一种基于视觉感知的无人机海上目标自主跟踪方法，解决短期和长期跟踪中的关键问题。

研究目标
1. 改进短期目标跟踪算法，应对海面背景冗余、目标快速运动及遮挡等问题。
2. 设计长期目标跟踪框架，解决目标消失后重现及旋转形变等挑战。
3. 搭建无人机实验平台，验证算法在实际海面场景中的有效性。

研究流程与方法
1. 短期跟踪算法改进
- 基础算法选择：以ECO_HC（Efficient Convolution Operators with Hand-Crafted Features）为基础跟踪器，因其结合了FHOG（Felzenszwalb’s Histogram of Oriented Gradients）和CN（Color Names）特征，在速度和精度上表现均衡。
- 多尺度搜索策略：通过多尺度搜索目标区域，增强特征模板的匹配能力。
- 自适应特征权值融合：根据FHOG和CN特征的响应占比动态分配权值，优化特征融合。例如，FHOG对边缘信息敏感，而CN对颜色变化鲁棒，两者互补可提升跟踪稳定性。
- 遮挡处理：引入峰值旁瓣比（Peak-to-Sidelobe Ratio, PSR）评估跟踪置信度，当PSR低于阈值时，使用卡尔曼滤波（Kalman Filter）预测目标位置，避免错误更新模板。

1. 长期跟踪算法设计

   • 检测器引入：当目标长期消失后重现时，使用YOLOv5s检测器重新初始化目标模板，减少累积误差。
     
   • 可靠性检查：结合感知哈希（Perceptual Hashing）和RSFM（Ratio between the Second and First Major Mode）策略判断目标差异度，决定是否启用检测器。
     
   • 旋转估计：采用梅林-傅里叶变换（Mellin-Fourier Transform）估计目标旋转角度，调整跟踪框方向，避免旋转导致的模板性能下降。
     

2. 实验验证

   • 数据集测试：在OTB-50、OTB-100和VOT2017等公开数据集上验证算法性能，对比其他先进跟踪器（如KCF、DSST、ECO等）。
     
   • 实际场景测试：搭建大疆M100无人机平台，模拟海面光照变化、目标遮挡等干扰，验证算法的实用性。
     
   • 跟踪控制设计：结合PID控制算法，实现云台跟踪和无人机自主跟踪两种模式，确保目标始终位于视野中心。
     

主要结果
1. 短期跟踪性能
- 在OTB-50数据集中，改进后的ECO_HC算法距离准确率（Distance Precision）达89.2%，重叠成功率（Overlap Success Rate）为72.5%，优于原算法（84.1%和68.3%）。
- 在VOT2017竞赛中，平均鲁棒性（Robustness）评分提升15%，尤其在遮挡和快速运动场景下表现突出。

1. 长期跟踪性能

   • 在OTB-100的长期跟踪序列（如DragonBaby）中，算法成功率达70.8%，较基线方法提高12%。
     
   • 旋转估计模块使旋转场景下的跟踪精度提升18%，有效应对船舶转向等形变问题。
     

2. 实际应用验证

   • 海面实验中，无人机在目标与背景颜色相似、反光干扰等条件下仍能稳定跟踪，平均误差小于15像素。
     
   • 自主跟踪模式下，PID控制器响应时间低于0.5秒，满足实时性需求。
     

结论与价值
1. 科学价值
- 提出动态特征权值分配和旋转估计方法，丰富了视觉目标跟踪的理论框架。
- 将检测-跟踪联合框架应用于长期跟踪，为解决目标消失重现问题提供了新思路。

1. 应用价值
   
   • 为无人机-无人船协同系统提供了可靠的视觉跟踪方案，助力海洋监测与安防任务。
     
   • 算法可扩展至其他复杂环境（如城市交通、农业巡检等）的目标跟踪场景。
     

研究亮点
1. 创新方法：
- 自适应特征权值融合机制，兼顾FHOG和CN的优势。
- 梅林-傅里叶变换的旋转参数估计，首次应用于海上目标跟踪。

1. 工程贡献：
   
   • 搭建了基于大疆M100的硬件平台，开源代码便于后续研究复现。
     
   • 设计了云台与无人机协同的两种跟踪模式，灵活性高。
     

其他有价值内容
论文附录提供了算法在OTB和VOT数据集上的详细对比表格（如PSR曲线、EAO评分），以及海面实验的视频帧序列分析，为读者提供了直观的性能参考。