基于深度去噪自动编码器的无人机航空影像目标检测

利用无人机航拍获取目标场景影像信息的方式,具有可低空作业、覆盖面积广、机动性强、效率高、不受地势环境阻碍等优点,广泛应用于军民用领域,军事领域包括威胁目标空中监视、目标搜索、目标打击,民用领域包括交通监测、灾难营救、管线巡检、区域勘测、边境巡逻等方面。无人机航空影像目标检测过程中,针对待识别目标具有多个角度、成像像素尺寸小、机体震动干扰强等困难,提出一种基于深度去噪自动编码器的目标检测模型。该模型通过进行选择性搜索,提取航空影像感兴趣区域,计算感兴趣区域的径向梯度特征,得到旋转不变特征向量,利用深度去噪自动编码器滤掉原始数据中的噪声,并提取特征向量的深层特征。在国际无人机低空航空影像标准数据集UAV123以及德国宇航院的慕尼黑无人机航空影像集DLR 3K上开展了识别实验,结果表明,针对航空影像目标包括地面车辆、行人、海面船只等,所提方法能够达到90%以上的识别精度,在精准率、召回率、F1调和值等指标上领先于现有方法。

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。