文章目录

1 引言

2 深度学习简介

3 基于深度学习的无人机目标识别与跟踪

3.1 图像获取

3.2 模型构建

    3.2.1 目标识别

    3.2.2 目标跟踪

4 实验结果与分析

5 结论

文章摘要:无人机的无序"黑飞"带来一系列安全及社会问题,如何有效地对无人机进行探测、识别甚至打击是当今研究的热点与难点。为此,本文首先搭建了基于转台与高清可见光相机的无人机目标实时光电探测系统,并构建了一个由40 000帧无人机图像组成的样本库;其次,为了更远、更早地发现目标,在YOLOv3模型基础上增加更小的特征尺度,使得模型对小目标检测效果提升;最后,为了实现无人值守、全自动式无人机目标的探测与跟踪,提出一种基于更小特征尺度的YOLOv3与KCF相结合的模型,并通过外场试验确定了无人机目标跟踪过程中,目标丢失时所对应的阈值参数的选取。结果表明,通过在包含大疆御Pro、精灵3等无人机在内的8 000帧无人机图像组成的静态测试集上进行实验,增加更小特征尺度后的模型对小目标的识别率较之原始YOLOv3模型提高约5%;对于1 280×720分辨率的动态视频,每帧检测时间为0.025～0.030s（33fps）,且根据选定的阈值,当无人机目标丢失后可重新进行检测,每帧跟踪时间为0.010～0.012s（85fps）,验证了所提方法的有效性,并可满足工程应用中对实时处理的需求。

文章关键词:

项目基金: