基于区域自适应阈值的无人机目标检测方法

随着无人机在人们生活和工作中的普及,在给人们带来便利的同时,各种“黑飞”、“恶飞”时间层出不穷,严重威胁到低空区域空域安全,因此必须对加强无人机管控,而如何对无人机目标进行有效探测则是其中最重要的环节。针对YOLOv5小目标检测性能差、漏检严重等问题,论文提出了一种基于区域自适应阈值的无人机目标检测方法。首先,利用局部阈值分割找出目标疑似区域;其次,利用聚类方法分割疑似区域所在ROI送入YOLOv5检测网络,从而避免全局检测过程中图像压缩造成无人机目标特征丢失;最后,针对小目标置信度不高的问题,对检测结果采取基于目标尺寸大小的自适应阈值,增强对无人机小目标的检测率。

基于LSTM-YOLOv5的“黑飞”无人机异常行为辨识方法研究

针对“黑飞”无人机飞行轨迹低、体积小、运动速度慢,其产生的信号回波数据量有限,且时域信号分辨率极低,传统雷达探测设备难以捕获“黑飞”无人机的特征反馈信息,论文提出了一种基于LSTM-YOLOv5的“黑飞”无人机异常行为辨识方法,利用YOLOv5算法实现无人机目标的跟踪识别,结合长短期记忆网络(Long short-term memory,LSTM)处理时间序列的优势,分析在该时间切片内的飞行趋势变化,以预测辨识“黑飞”无人机的异常行为。结果表明,论文提出的方法在无人机异常行为识别和分类方面具有较高准确性和鲁棒性,可有效应对“黑飞”无人机造成的威胁。

基于多类型信号多平台的无人机定位方法

论文对多平台多无人机探测技术进行了一些探索。采用目前比较流行的无源探测,捕获无人机飞行时释放的信息,比如通信电磁波、声波等。论文添加了对无人机携带摄像头的检测,在一个探测平台设置多角度探测单元,能使对无人机的探测更精确和快速;同时针对无人机飞行时的具体环境,建立多径回波目标检测模型;然后通过多平台定位的方法,计算出无人机所在的地点坐标,实现对非法无人机的有效定位。