1 南开大学电子信息与光学工程学院薄膜光电子技术教育部工程研究中心，天津 300350
2 天津市光电传感器与传感网络技术重点实验室，天津 300350
随着非**无人机的普及，无人机检测技术已经成为安全领域的研究热点，基于此，提出了一种基于优化YOLOv4的低空无人机检测与跟踪方法，所提方法首次将基于卷积神经网络（CNN）的检测技术与跟踪算法相结合用于低空无人机的动态检测。首先，根据多尺度特征融合的思想对原始YOLO网络结构进行优化；然后，在此基础上结合DeepSORT多目标跟踪算法，构建了低空无人机检测与跟踪模型。在自建数据集LARotorcraft上进行了训练和对比实验，实验结果表明，所提模型能够有效降低小目标漏检率，在保证实时性的前提下，检测平均精度达到77.2%，并且实现了视觉目标的稳定跟踪。
机器视觉 目标检测 低空无人机 YOLOv4 目标跟踪 激光与光电子学进展
2022, 59(12): 1215017
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
