复杂背景下反无人机红外目标鲁棒跟踪算法

doi:10.7527/S1000-6893.2025.32264

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

复杂背景下反无人机红外目标鲁棒跟踪算法

冯子成¹^,², 张文龙¹^,²(), 刘冬辉¹^,², 于起峰¹^,²

^1.国防科技大学空天科学学院，长沙 410073
^2.图像测量与视觉导航湖南省重点实验室，长沙 410073

收稿日期:2025-05-20 修回日期:2025-07-14 接受日期:2025-08-19 出版日期:2025-09-08 发布日期:2025-09-05
通讯作者: 张文龙 E-mail:wenlong@nudt.edu.cn
基金资助:
国家自然科学基金(12202485)

Robust infrared target tracking algorithm for anti-UAV in complexbackgrounds

Zicheng FENG¹^,², Wenlong ZHANG¹^,²(), Donghui LIU¹^,², Qifeng YU¹^,²

^1.College of Aerospace Science and Engineering，National University of Defense Technology，Changsha 410073，China
^2.Hunan Provincial Key Laboratory of Image Measurement and Vision Navigation，Changsha 410073，China

Received:2025-05-20 Revised:2025-07-14 Accepted:2025-08-19 Online:2025-09-08 Published:2025-09-05
Contact: Wenlong ZHANG E-mail:wenlong@nudt.edu.cn
Supported by:
National Natural Science Foundation of China(12202485)

摘要/Abstract

摘要：

面向复杂背景下反无人机任务，红外目标跟踪面临着目标多尺度、遮挡、移出视野、背景干扰等诸多挑战。针对这些问题，提出了一种红外无人机鲁棒跟踪算法。首先，提出了一个全局跟踪模型，采用高效的一阶段无锚框框架，通过全局搜索以应对因遮挡和移出视野导致的无人机目标消失问题，并使用多层级结构跟踪不同尺寸的目标。其次，提出一个基于记忆网络的时空特征融合模块，利用视频中的时空域特征来提高目标的可判别性。然后，提出了一个目标增强与干扰抑制模块，通过记录和匹配帧间的目标和干扰特征以生成权重，并与得分图加权以提升算法的抗背景干扰能力。最后，提出了一个动态层级加速方法，通过删除冗余层级以提高运行效率。实验结果表明：该算法在2nd和3rd Anti-UAV数据集上分别取得92.4%和78.7%的精度以及69.4%和56.5%的成功率，并能够以26.9帧/s的速度运行，其性能均明显超过了现有算法，实现了在复杂场景中对无人机的实时和鲁棒跟踪。

关键词: 红外目标跟踪, 反无人机, 复杂背景, 抗干扰, 实时跟踪, 深度学习

Abstract:

In the anti-UAV task under complex backgrounds， infrared target tracking faces numerous challenges，such as multi-scale targets， occlusion， moving out of view， and background interference. To address these problems，a robust infrared UAV tracking algorithm is proposed. First， a global tracking model is designed， which adopts an effi⁃cient one-stage anchor-free framework to perform global search for handling target disappearance caused by occlusionor moving out of view， while employing a multi-level structure to track targets of varying sizes. Second， a spatiotemporalfeature fusion module based on the memory network is proposed， which leverages spatio-temporal featuresfrom video sequences to enhance target discriminability. Third， a target enhancement and interference suppressionmodule is introduced， which records and matches target and interference features between frames to generate weight⁃ing maps. These maps are applied to the score maps to improve the algorithm’s anti-interference capability. Finally， adynamic hierarchical acceleration method is proposed to improve the running efficiency by removing redundant hierar⁃chical computations. Experimental results demonstrate that the proposed algorithm achieves 92. 4% and 78. 7% preci⁃sion and 69. 4% and 56. 5% success rates on the 2nd and 3rd Anti-UAV datasets， respectively， with a running speedof 26. 9 framen per second， which significantly outperforms existing methods and achieves real-time and robust UAVtracking in complex scenarios

Key words: infrared target tracking, nti-UAV, complex background, anti-interference, real-time tracking, deep learning

中图分类号:

V279

冯子成, 张文龙, 刘冬辉, 于起峰. 复杂背景下反无人机红外目标鲁棒跟踪算法[J]. 航空学报, 2026, 47(4): 332264.

Zicheng FENG, Wenlong ZHANG, Donghui LIU, Qifeng YU. Robust infrared target tracking algorithm for anti-UAV in complexbackgrounds[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(4): 332264.

图/表 27

图 1

图 2

图 3

图 4

图 5

图 6

图 7

表1

动态层级加速方法

前一帧最大得分 $s ˜ m a x t - 1$	前一帧输出层级	动态层级加速策略				FPN	FLOPs/G	Time/ms
前一帧最大得分 $s ˜ m a x t - 1$	前一帧输出层级	0	1	2	3	FPN	FLOPs/G	Time/ms
［0，0.3）	0，1，2，3	√	√	√	√	0，1，2，3	352.84	41.28
［0.3，0.7］	0	√	√	×	×	0，1，2，3	335.54	36.35
	1	√	√	√	×	0，1，2，3	349.37	39.16
	2	×	√	√	√	1，2，3	128.92	24.26
	3	×	×	√	√	2，3	72.27	18.91
（0.7，1］	0	√	×	×	×	0，1，2，3	280.23	31.54
	1	×	√	×	×	1，2，3	111.63	19.77
	2	×	×	√	×	2，3	68.80	16.83
	3	×	×	×	√	3	57.76	15.87

表1

图 8

图 9

表2

图 10

表3

本文算法与3个算法跟踪不同尺寸目标的对比结果

算法	尺寸范围
算法	$[0,10)$	$[10,20)$	$[20,40)$	$[40, + ∞)$
GlobalTrack	58.1/36.3	49.1/31.4	94.4/71.3	94.3/77.0
LTMU	50.4/37.2	55.1/39.6	95.8/74.8	95.0/78.1
SiamDT	55.8/33.1	52.8/37.7	95.2/72.7	95.6/78.3
STGT	62.4/40.0	55.7/39.7	96.3/73.7	94.8/77.5
STGT++	65.1/41.7	57.2/40.4	96.8/74.1	95.3/77.7

表3

表4

图 11

图 12

表5

表6

图 13

表7

图 14

表8

图 15

表9

图 16

表10

动态层级加速方法参数分析

$s 1$	$s 2$
$s 1$	0.6	0.7	0.8
0.2	78.4/56.3/28.9	78.6/56.4/27.4	78.6/56.4/25.7
0.3	78.5/56.3/28.6	78.7/56.5/26.9	78.7/56.5/25.5
0.4	78.5/56.4/27.9	78.7/56.5/26.3	78.7/56.5/25.0
0.5	78.6/56.4/26.9	78.7/56.5/25.5	78.8/56.5/23.8

表10

图A1

参考文献 32

[1]	王传云，苏阳，王琳霖，等. 面向反制无人机集群的多目标连续鲁棒跟踪算法［J］. 航空学报， 2024， 45（7）： 329017.
	WANG C Y， SU Y， WANG L L， et al. Multi-object continuous robust tracking algorithm for anti-UAV swarm［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（7）： 329017 （in Chinese）.
[2]	王红涛，邓淼磊，赵文君，等. 基于深度学习的单目标跟踪算法综述［J］. 计算机系统应用， 2022， 31（5）： 40-51.
	WANG H T， DENG M L， ZHAO W J， et al. Survey on single object tracking algorithms based on deep learning［J］. Computer Systems and Applications， 2022， 31（5）： 40-51 （in Chinese）.
[3]	YAN B， PENG H W， FU J L， et al. Learning spatio-temporal transformer for visual tracking［C］∥2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2021： 10428-10437.
[4]	YE B T， CHANG H， MA B P， et al. Joint feature learning and relation modeling for tracking： A one-stream framework［C］∥Computer Vision-ECCV 2022. Cham： Springer， 2022： 341-357.
[5]	CHEN X， PENG H W， WANG D， et al. SeqTrack： Sequence to sequence learning for visual object tracking［C］∥2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2023： 14572-14581.
[6]	DAI K N， ZHANG Y H， WANG D， et al. High-performance long-term tracking with meta-updater［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020： 6297-6306.
[7]	YU Q J， MA Y C， HE J F， et al. A unified transformer-based tracker for anti-UAV tracking［C］∥2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）. Piscataway： IEEE Press， 2023： 3036-3046.
[8]	HUANG L H， ZHAO X， HUANG K Q. GlobalTrack： A simple and strong baseline for long-term tracking［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（7）： 11037-11044.
[9]	HUANG B， LI J N， CHEN J J， et al. Anti-UAV410： A thermal infrared benchmark and customized scheme for tracking drones in the wild［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2024， 46（5）： 2852-2865.
[10]	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN：Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
[11]	FANG H Z， WANG X L， LIAO Z K， et al. A real-time anti-distractor infrared UAV tracker with channel feature refinement module［C］∥2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW）. Piscataway： IEEE Press， 2021： 1240.
[12]	JIANG N， WANG K R， PENG X K， et al. Anti-UAV： A large-scale benchmark for vision-based UAV tracking［J］. IEEE Transactions on Multimedia， 2021， 25： 486-500.
[13]	LI S J， ZHAO S， CHENG B， et al. Robust visual tracking via hierarchical particle filter and ensemble deep features［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2020， 30（1）： 179-191.
[14]	HARE S， GOLODETZ S， SAFFARI A， et al. Struck： Structured output tracking with kernels［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2016， 38（10）： 2096-2109.
[15]	HENRIQUES J F， CASEIRO R， MARTINS P， et al. Exploiting the circulant structure of tracking-by-detection with kernels［C］∥Computer Vision-ECCV 2012. Cham： Springer， 2012： 702-715.
[16]	LI B， WU W， WANG Q， et al. SiamRPN++： Evolution of Siamese visual tracking with very deep networks［C］∥2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2019： 4277-4286.
[17]	丁奇帅，雷帮军，吴正平. 基于孪生网络的轻量型无人机单目标跟踪算法［J］. 航空学报， 2025， 46（4）： 330925.
	DING Q S， LEI B J， WU Z P. A lightweight single object tracking algorithm for UAVs based on Siamese network ［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（4）： 330925 （in Chinese）.
[18]	MAYER C， DANELLJAN M， BHAT G， et al. Transforming model prediction for tracking［C］∥2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2022： 8721-8730.
[19]	ZHU Z， WANG Q， LI B， et al. Distractor-aware Siamese networks for visual object tracking［C］∥Computer Vision-ECCV 2018. Cham： Springer， 2018： 103-119.
[20]	HUANG B， CHEN J J， XU T F， et al. SiamSTA： Spatio-temporal attention based Siamese tracker for tracking UAVs［C］∥2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW）. Piscataway： IEEE Press， 2021： 1204-1212.
[21]	CHEN X， YAN B， ZHU J W， et al. Transformer tracking ［C］∥2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2021： 8122-8131.
[22]	WEI X， BAI Y F， ZHENG Y C， et al. Autoregressive visual tracking［C］∥2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2023： 9697-9706.
[23]	XIE J X， ZHONG B N， MO Z Y， et al. Autoregressive queries for adaptive tracking with spatio-temporal transformers［C］∥2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2024： 19300-19309.
[24]	WU H， LI W Q， LI W Q， et al. A real-time robust approach for tracking UAVs in infrared videos［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）. Piscataway： IEEE Press， 2020： 4448-4455.
[25]	DANELLJAN M， BHAT G， KHAN F S， et al. ATOM： Accurate tracking by overlap maximization［C］∥2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2019： 4655-4664.
[26]	ZHAO J J， ZHANG X H， ZHANG P Y. A unified approach for tracking UAVs in infrared［C］∥2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW）. Piscataway： IEEE Press， 2021： 1213-1222.
[27]	DANELLJAN M， VAN GOOL L， TIMOFTE R. Probabilistic regression for visual tracking［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020： 7181-7190.
[28]	SHI X J， CHEN Z R， WANG H， et al. Convolutional LSTM network： A machine learning approach for precipitation nowcasting［C］∥Proceedings of the 29th International Conference on Neural Information Processing Systems. New York： ACM， 2015： 802-810..
[29]	TIAN Z， SHEN C H， CHEN H， et al. FCOS： Fully convolutional one-stage object detection［C］∥2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2019： 9626-9635.
[30]	BHAT G， DANELLJAN M， VAN GOOL L， et al. Learning discriminative model prediction for tracking［C］∥2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2019： 6181-6190.
[31]	BHAT G， DANELLJAN M， VAN GOOL L， et al. Know your surroundings： Exploiting scene information for object tracking［C］∥Computer Vision-ECCV 2020. Cham： Springer， 2020： 205-221.
[32]	LIU Z， NING J， CAO Y， et al. Video swin transformer ［C］∥2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2022： 3192-3201.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

算法	来源	1st Anti-UAV test-dev		2nd Anti-UAV test-dev		3rd Anti-UAV val
算法	来源	P/%	AUC/%	P/%	AUC/%	P/%	AUC/%
ATOM^［25］	CVPR 2019	79.3	61.6	72.5	54.1	58.5	43.1
DiMP^［30］	ICCV 2019	85.2	66.8	77.7	59.1	64.4	47.4
PrDiMP^［27］	CVPR 2020	89.1	69.2	82.2	61.3	66.4	49.0
KYS^［31］	ECCV 2020	85.8	67.3	78.4	59.6	67.1	49.0
STARK^［3］	ICCV 2021	89.4	69.5	82.2	62.0	69.0	48.8
TOMP^［18］	CVPR 2022	83.0	65.8	74.3	57.8	60.8	43.8
OSTrack^［4］	ECCV 2022	93.6	72.4	83.4	62.7	68.7	51.9
SeqTrack^［5］	CVPR 2023	73.2	55.3	66.9	50.1	62.0	43.5
AQATrack^［23］	CVPR 2024	90.9	70.3	80.7	60.9	66.2	47.5
DaSiamRPN^［19］	ECCV 2018	90.7	68.7	77.2	57.7	59.6	42.0
GlobalTrack^［8］	AAAI 2020	97.5	75.6	89.3	65.5	74.7	53.0
LTMU^［6］	CVPR 2020	96.7	75.8	88.3	68.6	73.3	55.4
SiamSTA^［20］ #	ICCVW 2021	96.9	72.6	88.8	65.5
SiamDT^［9］	PAMI 2024	97.7	76.4	89.4	68.5	75.0	53.3
STGT++（本文）		98.0	76.5	92.4	69.4	78.7	56.5

性能指标	DaSiamRPN	GlobalTrack	LTMU	SiamDT	STGT++ w/o DHA	STGT++
参数量/M	60.1	59.0	112.1	62.4	59.3	59.3
计算量/G	103.7 （541.1）	287.7	148.5 （346.9）	372.6	352.8	57.8~352.8
速度/（帧·s^-1）	22.7	22.3	1.5	9.1	18.7	26.9

STFF			TEIS	DHA	P/%	AUC/%	速度/ （帧·s^-1）
FF	Conv LTSM	B	TEIS	DHA	P/%	AUC/%	速度/ （帧·s^-1）
√					76.6	55.2	30.9
√	√				77.2	55.6	21.1
√	√	√			77.4	55.8	20.8
√	√	√	√		78.8	56.6	18.7
√	√	√	√	√	78.7	56.5	26.9

性能指标	特征提取网络
性能指标	ResNet18	ResNet34	ResNet50	ResNet101
P/%	75.9	76.5	77.4	77.0
AUC/%	55.0	55.1	55.8	55.7
速度/ （帧·s^-1）	23.6	22.2	20.8	17.8

性能指标	时空特征融合方法
性能指标	无	ConvLSTM	Video SwinTransformer
P/%	76.8	77.4	75.0
AUC/%	55.3	55.8	54.2
速度/（帧·s^-1）	30.5	20.8	16.2

复杂背景下反无人机红外目标鲁棒跟踪算法

Robust infrared target tracking algorithm for anti-UAV in complexbackgrounds

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 27

参考文献 32

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李乐言, 杨任农, 郭安新, 宋祺, 左家亮. 基于全域火力场的超视距空战威胁预测及动态逃逸方法[J]. 航空学报, 2026, 47(4): 332205-332205.
[2]	陶冶, 汤锦辉, 闫震, 周臣, 王冲. 融合表征转换与模式回归的航迹插补方法[J]. 航空学报, 2026, 47(1): 332106-332106.
[3]	徐建宇, 周莉, 王占学, 是介, 史毫. 基于快速逐线计算模型的高超声速羽流红外辐射计算方法[J]. 航空学报, 2025, 46(8): 630778-630778.
[4]	孟令捷, 李红光, 李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 2025, 46(7): 331003-331003.
[5]	陈谋, 黄正国, 申耀华, 刘凡. 先进飞行器复合抗干扰控制技术综述[J]. 航空学报, 2025, 46(6): 531303-531303.
[6]	赵志浩, 杨照华, 吴云, 余远金. 弱光环境下基于深度学习的单光子计数成像去噪方法[J]. 航空学报, 2025, 46(3): 630531-630531.
[7]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[8]	项子健, 麻震宇, 杨希祥. 基于深度学习的复合材料结构性能参数反演[J]. 航空学报, 2025, 46(24): 231877-231877.
[9]	范天麒, 邹征夏, 史振威. 基于强化学习数据合成的典型遥感目标检测[J]. 航空学报, 2025, 46(23): 631955-631955.
[10]	刘奎, 孙浩, 伍瀚, 计科峰, 匡纲要. 动态亮度重建的无人机可见光-红外融合目标检测[J]. 航空学报, 2025, 46(23): 631968-631968.
[11]	彭勃, 白吉康, 陈伟文, 郑向涛, 雷建军, 卢孝强. 基于深度学习的无人机搜救方法研究进展[J]. 航空学报, 2025, 46(23): 632761-632761.
[12]	陈秋实, 高精隆, 王萌, 边文昆, 韩昊峻. 无人机卫星导航系统抗干扰技术综述[J]. 航空学报, 2025, 46(17): 331797-331797.
[13]	姜筱巍, 吴一全. 无人机航拍图像拼接方法研究进展[J]. 航空学报, 2025, 46(17): 331799-331799.
[14]	陈霖, 顾曦文, 陈知颖, 张倬, 孙晓亮. 适应着舰引导大距离跨度的高精度单目视觉位姿测量[J]. 航空学报, 2025, 46(15): 331568-331568.
[15]	孙彬, 游航, 李文博, 刘祥瑞, 马佳义. 双光载荷图像融合及其在低空遥感中的应用[J]. 航空学报, 2025, 46(11): 531343-531343.