小型民用无人机预警探测是公共安全领域的热点问题, 也是视觉目标检测领域的研究难点。采用手工特征的经典目标检测方法在语义信息的提取和表征方面存在局限性, 因此基于深度卷积神经网络的目标检测方法在近年已成为业内主流技术手段。围绕基于深度卷积神经网络的小型民用无人机检测技术发展现状, 本文介绍了计算机视觉目标检测领域中基于深度卷积神经网络的双阶段算法和单阶段检测算法, 针对小型无人机检测任务分别总结了面向静态图像和视频数据的无人机目标检测方法, 进而探讨了无人机视觉检测中亟待解决的瓶颈性问题, 最后对该领域研究的未来发展趋势进行了讨论和展望。

随着无人机的快速发展与应用, 无人机的普及也对公共安全、**安全和个人隐私等造成了一定的安全隐患。无人机具有飞行速度快、体积小等特点, 如何精准快速地发现并定位无人机位置具有一定的挑战。针对此问题, 提出了一种基于沙漏瓶颈模块的YOLOv3无人机实时检测算法。首先, 将原本3个特征尺度检测扩展为在5个特征尺度上进行检测, 充分利用多尺度信息帮助提升小目标检测精度; 然后, 堆叠沙漏瓶颈模块作为该方法的骨干网络部分, 沙漏瓶颈模块作为一种轻量化网络对模型进行加速, 并使用通道注意力机制在上采样之后的拼接部分关注更重要的通道信息, 抑制不利的信息。为了验证所提算法的有效性, 生成基于复杂城市背景下的无人机数据集, 实验结果表明, 所提算法的精度能够达到98.92%, 且具有98.76%的召回率, 在1080Ti上达到62.37 帧/s的实时速度, 模型权重大小仅为5.38 MiB, 为进一步在嵌入式平台和移动端实现实时目标检测提供了可能。

无人机(UAV)的普及,给人们带来了极大的安全隐患。针对该问题,设计了一种基于主动子空间鲁棒主成分分析(ASRPCA)和五帧差分相融合的UAV视频检测算法。首先,采用交替迭代法结合增广拉格朗日乘子法对ASRPCA模型进行优化求解,获取视频序列当前帧的背景图像;其次,用背景图像替代五帧差分的中间帧;最后,中间帧分别与前两帧和后两帧进行差分二值化运算,使得UAV有较好的检测结果和去噪能力。实验结果表明,与全变分正则化RPCA(TVRPCA)算法相比,所提算法在不同背景下的召回率、准确率和综合性能的平均值分别提高了5个百分点、4.8个百分点和5个百分点,而且每帧运行时间约为0.51 s,基本上符合目标算法的线下实时性要求。

针对当前无人机检测算法普遍不能做到快速准确检测的问题, 提出了一种基于SSD的改进实时轻量级无人机检测算法——TSSD。首先, 针对SSD算法的骨干网络权重参数量大的问题, 改进得到一种轻量级的骨干网络。其次, 针对SSD只利用多层特征图进行多尺度预测, 而特征之间的联系没有被很好地融合利用, 加入了一种特征增强模块来提高检测能力。在自建无人机数据集中进行的实验结果表明, 提出的算法检测速度达到125f/s, 远高于原始SSD的检测速度, 且准确率比原始SSD也有所提升。

为了满足加工中心在机检测的实时性需求, 实现高效率、低成本、高精度地标定线结构光传感器, 提出了一种基于同心圆平面靶标标定线结构光平面参数的新方法。该方法将三点透视模型和交比不变原理相结合, 在线结构光传感器的视觉范围内通过移动同心圆平面靶标, 计算得到光平面上多组标定点的三维坐标, 进而使用最小二乘算法确定光平面方程, 通过标定和检测实验分析并验证了该方法的有效性。该方法具有标定算法简单且操作灵活方便等优点, 适合加工检测等领域的现场标定。