红外与可见光图像融合的无人机目标检测方法研究

发布时间：2020-07-21 15:10

【摘要】：随着无人机技术的飞速发展以及民用无人机在市场上的大量普及,无人机的对公共和个人造成的威胁已越来越严重。因此反无人机技术的相关研究越来越得到重视。本课题针对反无人机中的无人机目标探测技术进行研究,利用红外和可见光探测器同时对场景中可能存在的无人机进行监测,在图像处理阶段检测、跟踪并识别图像中的无人机目标。由于无人机目标出现距离的不确定性,本课题研究难点在于面向不同尺度的无人机目标的检测跟踪技术,同时利用红外和可见光的互补性,对无人机目标进行融合检测。主要研究内容如下:首先,针对不同尺度的无人机目标,提出了不同的检测算法。针对大目标,利用目前较好的卷积神经网络进行检测,在自制数据集的基础上就进行训练,可实现对不同场景和传感器下的无人机大目标检测;针对小目标,研究了传统了形态学滤波检测算法,并且利用二叉树判据对TopHat变换进行了改进,降低了虚警率;同时基于YOLO卷积神经网络,提出了针对小目标的ST-YOLO卷积神经网络检测算法。并且,对每个算法进行了性能与边界条件分析。然后,在检测算法的基础上,提出了面向不同尺度多无人机目标的跟踪算法。该算法利用DBT(检测后跟踪)的目标跟踪方式,在检测阶段,使多尺度目标检测算法同时运行;基于检测结果,设置轨迹管理模块,采用轨迹关联的方式进行多目标跟踪,并且提出了全局与局部最优相结合的二次关联算法。最后,利用D_S证据理论,进行决策级阶段的红外与可见光图像融合识别。对单个传感器的图像,基于检测跟踪结果,提取目标的多特征信息,并且利用不同的特征信息赋予目标可信度。并且基于D_S理论框架,提出了二次融合的红外与可见光图像的识别方式。先对单传感器的多特征的可信度进行融合,再基于目标尺寸信息、两个传感器的检测信息,进行最终的红外与可见光图像加权融合识别。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V279;TP391.41;TN219
【图文】：

无人机,全球市场

c）美国 3D Robotics 公司无人机 d）德国 Microdrones 公司无人机图 1-1 全球市场常见的民用无人机由于无人机广泛的应用领域以及民用无人机市场的快速发展，越来越多人拥有无人机。据美国相关调查统计，全球范围内无人机销量逐年增加，而我国的增长速度高达 50%。无人机的大量普及导致无人机的“黑飞”、“滥飞”现象频繁发生，因此带来的更多的公共及私人的安全隐患。据新闻报道，从 2016 年 5 月至 201年 4 月之间，仅发生在美国的无人机事故就达 726 起，在国内，黑飞无人机进行机场导致航班无法正常起航以及在公共场所坠落伤人事件也是经常发生。美国纽约史坦顿岛与魁北克市在一年内相继发生无人机与飞机碰撞事件；2018 年国内一女子因与无人机相撞至今仍卧病。监控无人机的相关研究在目前严厉的情形下应运而生[1]。相关报告显示我国进行反无人机研究的企业有 100 多家，其市场规模有 2 亿左右，正在快速发展。我国于 2009 年和 2013 年分别出台了相应的法律法规，对无人机飞行的场所飞行高度、飞行距离、驾驶员等做了相关的规定。除在法律法规上约束无人机的飞行活动外，在工程上对空中飞行的无人机进行检测、识别与跟踪，以便对不合

模型结构,边界框,网格

图 2-1 YOLO 模型结构N 的预先生成固定长宽比候选区域，并且边界回，YOLO 是直接在每个网格内生成预测区，并且一到一个网络框架中。一代版本中，作者给出的网格个数 S=7，整幅图个网格预测两个边界框（x，y，w，h，分别表示值），共有 49×2=98 个预选区。除了边界框外，别预测一个目标置信度 Confidence，不同于目标识

示意图,交并,示意图,边界框

哈尔滨工业大学工学硕士学位论文计算方式如下：truthtruth predpredtruth predS SIoUS S ——两个边界框交集的面积；red——两个边界框并集的面积。red计算示意如图 2-2 所示，其中红色边框表示真实目位置，黑色斜线表示的面积即为预测位置与真实标位置即为预测位置与真实位置的并集。当两个个位置完全不相交时， IoU 0。

【相似文献】