国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室, 安徽 合肥 230037
以YOLOv3的架构为基础,提出了一种基于双通道的快速低空无人机检测识别方法(Dual-YOLOv3)。该方法将红外与可见光的无人机图像同时输入到深度残差网络中进行特征提取,对所提取的特征图进行融合以增强特征的表达能力,利用多尺度预测网络对无人机目标进行类别判断和位置回归,得到检测识别结果。在真实采集的双波段无人机数据集上进行对比实验,结果表明,采用平均融合的Dual-YOLOv3-D在mAP(mean of average precision)上较单一数据源的YOLOv3提升了约6.1%,检测速度约为27 s -1。
图像处理 双通道卷积神经网络 低空无人机 特征融合 目标检测 光学学报
2019, 39(12): 1210002
1 国防科学技术大学电子对抗学院脉冲功率激光技术国家重点实验室, 安徽 合肥 230037
2 国防科学技术大学, 安徽 合肥 230037
无人机的快速发展与应用在给社会带来便利的同时,也对公共安全、个人隐私、**安全等构成了严重威胁。快速准确地发现未知无人机变得越来越重要。在无人机检测技术中,基于机器视觉的方法具有成本低廉和配置简便的优点。针对低空快速移动的无人机,提出一种基于优化YOLOv3的无人机检测识别方法。利用残差网络及多尺度融合的方式对原始的YOLO网络结构进行优化,提出O-YOLOv3网络,利用真实拍摄的无人机数据集进行训练和测试。实验结果表明,所提方法的平均准确度优于原始方法,检测速度满足实时性要求。
图像处理 低空无人机 目标检测 残差网络 多尺度融合 激光与光电子学进展
2019, 56(20): 201006
国防科技大学脉冲功率激光技术国家重点实验室, 安徽 合肥 230037
针对在目标检测中现有方法检测速度慢的问题,基于航拍图像中人造物体含有大量边缘的特点,提出了一种基于梯度聚类的区域建议算法(APM)。利用目标检测算法对提取的感兴趣区域进行检测,在DOTA (Dataset for Object deTection in Aerial Images)数据集上对算法的实时性和准确率进行了测试。研究结果表明,所提算法极大地提升了目标检测算法对大尺寸、目标密集的航拍图像的检测速度,该方法的召回率较高。
图像处理 目标检测 深度学习 航拍图像 梯度聚类 区域建议方法 激光与光电子学进展
2019, 56(6): 061007
