基于视觉的多尺度低空小型无人机检测系统

发布时间：2021-12-18 15:27

　　随着低空空域逐步开放,低慢小目标的种类及数量逐步增加,尤其是多旋翼小型无人机,由于其操作简便、价格适中,在众多飞行器中占据了主流地位。但同时,相比其他低慢小目标,小型无人机因其强机动性以及高隐蔽性,严重危害了公共安全与个人隐私安全。因此,反无人机系统的理论、技术及平台研究受到了国内外政府、学术界以及工业界的高度重视。小型无人机是一种典型的低慢小目标,其探测面积小、飞行轨迹无明显规律、所在低空背景复杂,对其进行检测是一个巨大的挑战。本文设计并实现了一种基于视觉的多尺度低空小型无人机检测系统。该系统对不同空域特点采取不同的检测手段,一是远距离空域下的弱小目标检测,二是近距离空域复杂背景下的小目标检测,系统实现了全空域覆盖无人机监测。本文主要研究内容包括:（1）针对弱小目标检测易受复杂地面部分信息干扰的问题,设计了一种基于先验信息的自学习天空分割算法用于提取天空区域。首先,对在不同天气、光照等情况下天空区域的固有特征进行了详细分析,提炼天空区域的先验信息。然后,根据Sobel算子获取图像梯度图。在不同梯度阈值下,获取不同的天空边界并其对应的能量函数值。通过对能量函数进行优化,获取最优的初始天... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

图１－２无人机应用场景??

，??但是可以通过设计多摄像机网络来加强监控范围与力度。??综上所述，从成本及功能实现等方面考虑，本文采用基于视觉的手段实现小型无人机??检测系统。??１．２．２目标检测研究现状??无人机检测本质上是目标检测问题。目标检测主要可以分为两种方法，一是基于传统??图像特征的机器学习方法，二是基于深层卷积神经网络的检测方法。??（１）基于传统图像特征的机器学习方法??该方法首先从惮本中提取一定的特怔，如角点、轮廓、纹理、颀色、边缘等特征，然后??将提取的特征输入分类器进行分类。框架如图１－３所示。??ｉｉｉ｜￥?训练样本——？特征提取??＊学习／训练??输入图像——＊特征提泉—？分类器?——？识别结果??图１－３基于传统图像特征的机器学习方法框架??尺度不变特征变换（Ｓｃａｌｅ?Ｉｎｖａｒｉａｎｔ?Ｆｅａｔｕｒｅ?Ｔｒａｎｓｆｏｒｍ，ＳＩＦＴ）算法１１７１，通过求解高斯差??分尺度空间的局部极值作为特征点，计算特征点的尺度和悌度方向获得特征向量作为特怔。??该特征对于旋转、目标大孝光照强度的变化都具有不变性。ＰＣＡ－Ｓ１ＦＴ算法Ｗ１，通过主成??分分析ＰＣＡ（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ）方法来缩小ＳＩＦＴ特征的维数，降低数据的复杂??性，从而提高计算速度以及算法的准确性；方向梯度直方图（Ｈｉｓｔｏｇｒａｍ?ｏｆ?Ｏｒｉｅｎｔｅｄ?Ｇｒａｄｉｅｎｔ，??ＩＩＯＧ）特征［１９】通过计算并统计图像块中单元的方向梯度直方图，以形成一个可以适应目标??形变以及光照变化的特征；加速鲁棒特征（Ｓｐｅｅｄｅｄ?Ｕｐ?Ｒｏｂｕｓｔ?Ｆｅａｔｕｒｅｓ，?ＳＵＲＦ）算法＿，使??用积分图像等操作方法，对ＳＩＦＴ算法

后通过ＣＮＮ网络提取特征。最后，??在上述ＣＮＮ之后接两个全连接层，然后分别使用ＳＶＭ分类器及线性回归获得目标的类别??及检测框。达到的准确率为５８．５％，几乎是以前的两倍，但仍然存在一些限制。由于毎个候??选区域均需要ＣＮＮ操作，因此产生了大量重复计算，从而导致计算速度较慢，处理图像大??约需要１０到４５秒。ＳＶＭ模型是线性的，故分类效果有限。此外，各个模块如候选框提娶??区域提娶分类等的参数需要单独训练、保存。??ｕａｒｐｅｄ?ｒｅｇｉｏｎ?Ｊ?ａｅｒｏｐｌａｎｅ？?ｍ＞??图１－４?Ｒ－ＣＮＮ算法流程??ｔｕｌｌｖ－ｃｏｎｎｅｃｔｅｄ?ｌａｖｅｒｓ?（ｆｃ，，．?ｆｃ?）??，??？??，??ｔｌｘｅｄ－ｌｅｎｇｔｈ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ??｜?１６－２５０－ｄ?｜?４?－?２５６－ｄ?＾?２５６－ｄ??ｓｐａｔｉａ丨丨ｐｏｏｌｉｎｇ?丨ａ＇ｅｒ??ｆｅａｔｕｒｅ??＾?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａ＼?ｅｒｓ??ｉｎｐｕｔ?ｉｍａｇｅ??图１－５?ＳＰＰ－ｎｃｔ算法流程??ＳＰＰ－ｎｅｔ?（Ｓｐａｔｉａｌ?Ｐｙｒａｍｉｄ?Ｐｏｏｌｉｎｇ，ＳＰＰ）１２３１由何彳岂明等人提出，其主要思想是将原始图??像上的裁剪、缩放等操作，替换为空间金字塔池化层，使得网络对于输入图片的尺寸没有??限制。??Ｆａｓｔ?Ｒ－ＣＮＮｌ２４］则是解决以上两种网络候选框重复计算问题。对整幅图提取一次特征??图，通过选择性搜索等方法从原始图片提取候选区域并投影到特征罢，再针对特征罢上的??７??

【参考文献】：
期刊论文
[1]结合天空识别和暗通道原理的图像去雾[J]. 李加元,胡庆武,艾明耀,严俊.  中国图象图形学报. 2015(04)
[2]一种基于方差标记的形态学红外小目标检测算法[J]. 方义强,程正东,樊祥,朱斌,陈晓斯.  电子学报. 2015(02)
[3]红外弱小目标检测技术研究现状与发展趋势[J]. 侯旺,孙晓亮,尚洋,于起峰.  红外技术. 2015(01)
[4]引入视觉注意机制的目标跟踪方法综述[J]. 黎万义,王鹏,乔红.  自动化学报. 2014(04)
[5]改进的非下采样Contourlet变换红外弱小目标检测方法[J]. 马科,彭真明,何艳敏,高原,张萍.  强激光与粒子束. 2013(11)
[6]基于局部均值的红外小目标检测算法[J]. 刘运龙,薛雨丽,袁素真,毛峡.  红外与激光工程. 2013(03)
[7]低空慢速小目标拦截系统研究[J]. 张建伟,郭会明.  计算机工程与设计. 2012(07)
[8]基于显著性及主成分分析的红外小目标检测[J]. 胡暾,赵佳佳,曹原,王芳林,杨杰.  红外与毫米波学报. 2010(04)

硕士论文
[1]基于声阵列的无人机检测及定位系统[D]. 常先宇.浙江大学 2019
[2]基于视觉的无人机入侵检测与跟踪系统设计与实现[D]. 邵盼愉.浙江大学 2018



本文编号：3542675