一、研究背景与问题提出无人机目标识别与跟踪面临三大核心挑战：复杂背景干扰：城市、高楼、天空等混合场景导致目标与背景相似度高。光照变化影响：强光或阴影使普通模型识别率下降。遮挡与多目标聚集：短暂遮挡或目标密集时易丢失跟踪目标。传统方法局限性：YOLO系列：单帧检测依赖，对遮挡目标恢复能力弱。KCF跟踪：实时性强，但复杂场景下易漂移或丢失目标。解决方案：融合YOLOv10的高精度检测与KCF的实时跟踪，通过梯度特征改进和机制设计弥补双方缺陷。二、方法框架：YOLO-G-KCF算法1. 模块组成YOLOv10改进模块：高精度目标识别。KCF改进模块：实时帧间跟踪。融合机制：检测与跟踪互相校验与纠错。2. 技术亮点YOLOv10改进：多通道梯度特征：提取边缘、纹理信息，增强小目标识别。特征级联：原图特征与梯度特征拼接，提升形状和纹理理解。网络结构优化：空间-通道解耦下采样、CIB模块、SPPF金字塔池化、PSA注意力机制，平衡精度与速度（112FPS）。去NMS策略：采用一对多标签分配和自定义损失函数（Inner-IoU）。KCF改进：多通道梯度特征：替代灰度图，提升光照鲁棒性。多尺度检测：解决目标尺度变化问题。频域傅里叶变换：保持实时处理优势。融合机制：自定义Inner-IoU + 置信度融合：通过速度变化量（Divc）、重叠度（IoU）和YOLO置信度综合判断。三、技术原理详解1. YOLOv10改进模块多通道梯度特征：通过HOG等梯度计算提取边缘、纹理信息，增强小目标或光照变化下的识别能力。特征级联：将原图特征与梯度特征在通道维度拼接，形成更丰富的输入，提升对目标形状和纹理的理解。网络结构优化：空间-通道解耦下采样：减少信息丢失。CIB模块：增强特征表达能力。SPPF金字塔池化：融合多尺度特征。PSA注意力机制：聚焦关键区域。效果：检测精度提升的同时保持112FPS的推理速度。去NMS策略：传统NMS易误删重叠目标，改用一对多标签分配策略，提升精度和速度。引入自定义损失函数（Inner-IoU），度量预测框与跟踪框的匹配程度。2. KCF改进模块多通道梯度特征：替代传统灰度图，使KCF对光照变化不敏感，适应复杂背景。多尺度检测：在多个尺度（如1.0×、1.2×、0.8×）上检测目标，解决目标靠近或远离摄像头时的尺度漂移问题。频域傅里叶变换：保持KCF原有优势，实现快速实时处理。3. 融合识别与跟踪流程初始化阶段：第一帧由YOLOv10识别目标，框出目标并传给KCF初始化跟踪器。后续帧处理：KCF预测目标位置，YOLO进行再识别。两者结果通过Inner-IoU匹配，若差距过大，用YOLO结果替换KCF预测结果进行纠偏。核心判断逻辑：Divc：速度变化量差值（归一化）。IoU：两个框的重叠程度。Confidence：综合得分 = (Divc + IoU + YOLO置信度) / 2。判定规则：当Confidence值较低时，判定为误识别或丢跟踪，需用YOLO重新标定。四、实验效果准确率：95.3%。mAP@0.5：94.28%。实时处理速度：112 FPS。特点：小目标检测强。遮挡可恢复。实时性高。抗干扰能力强。五、总结与展望创新点：提出“识别+跟踪”融合策略，解决小目标和遮挡问题。通过梯度特征改进和机制设计，提升模型在复杂场景下的鲁棒性。应用潜力：无人机场景：已验证成功。智慧课堂行为检测：具有高迁移潜力，仅需微调即可落地。