基于异源传感器无人机目标图像融合技术研究

针对当前无人机图像采集单一、采集效果差等问题,文章对无人机图像融合的方法进行了研究和对比实验分析。提出了一种基于红外传感器和可见光传感器的无人机目标图像融合方法,首先对红外传感器和可见光传感器采集到的图像进行去噪、滤波和增强处理,然后对处理后的图像进行OpenSurf算法配准,最后对配准后的图像进行小波变换图像融合处理。实验结果表明:该方法能够较好地对异源传感器无人机目标图像进行处理,取得较好的图像配准和融合效果。

融合遮挡信息的改进DDETR无人机目标检测算法

针对无人机航拍图像中目标场景复杂、小目标多、遮挡严重的问题,提出了一种融合目标遮挡信息的改进DDETR(deformable DETR)的无人机目标检测算法。提出模型用Swin Transformer代替DDETR模型中残差网络来获得更丰富的多层次语义特征;增加DDETR模型对低层次特征的使用来提高对中小目标的检测效果;利用提出的遮挡程度估计模块来辅助模型解决遮挡问题,使模型能更好地检测出遮挡严重的目标。在VisDrone数据集上达到32.3%的平均准确度均值(mean average precision,AP),比标准DDETR模型AP值提高了3.3个百分点,与主流无人机航拍图像目标检测方法相比,达到了当前先进水平。

基于深度学习的无人机目标识别与反制

随着低空无人机在军事和民用领域的广泛应用,其安全隐患亟需关注。本文提出一种基于改进YOLOv7模型的检测方法,并引入注意力机制,强化模型对目标区域特征的表达能力。同时,提出一种改进的StrongSORT跟踪算法,优化跟踪性能。这些研究成果提高了检测和跟踪的准确性和实时性,通过云台主动跟踪控制算法扩大了监控视野,增强了系统的跟踪灵活性。最终实现了一套完整的红外无人机检测与跟踪系统,满足了实时跟踪的需求,并探讨了其在民用领域反无人机系统中的潜在应用。

基于改进暗通道先验去雾的无人机目标检测研究

图像去雾是图像处理领域的一个重要研究热点。为了解决雾霾天气下图像的去雾与增强问题,提出了一种基于改进暗通道的去雾算法。首先为了使雾霾图像更接近无雾图像,提高图像的清晰度,该算法分别减少雾图像的RGB通道值,并结合每个减少的通道和其他两个先前未减少的通道,使用该图像去雾算法后再对三个新图像加权来恢复图像;为了解决图像天空区域出现颜色失真的问题,设置了一个参数K来分别计算天空区域和非天空区域的透射率;为了解决图像中亮度过暗和增加目标对比度,本文引入CLAHE的方法对图像进行增强处理。实验结果表明:本算法在5张图像的对比度值分别是MDCP和RSD算法的2倍多和3倍多,在5张图像中的信息熵均值为7.5589,均明显优于其余2种算法,并且该算法在雾霾天气下目标检测的平均精度可达73%,相比于未经处理图像前提升了15%,具有一定的可行性。

全天实时跟踪无人机目标的多正则化相关滤波算法

相关滤波算法(Correlation filter,CF)已广泛应用于无人机目标跟踪.然而,受无人机(Unmanned aerial vehicle,UAV)平台本身计算性能的制约,现有的无人机相关滤波跟踪算法大都仅采用手工特征来描述目标的外观,难以获得目标的全面语义信息.并且这些跟踪算法仅能较好地进行光照条件良好场景下的跟踪,而在跟踪夜间场景下的目标时性能严重下降.此外,相关滤波跟踪器采用余弦窗口来抑制循环移位产生的边界效应,缩小了样本提取区域,产生了训练样本污染的问题,这不可避免地降低了跟踪器的性能.针对以上问题,提出全天实时多正则化相关滤波算法(All-day and realtime multi-regularized correlation filter,AMRCF)跟踪无人机目标.首先,引入一个自适应图像增强模块,在不影响图像各通道颜色比例的前提下,对获得的图像进行增强,以提高夜间目标跟踪性能.其次,引入一个轻量型的深度网络来提取目标的深度特征,并与手工特征一起来表示目标的语义信息.此外,在算法框架中嵌入高斯形状掩膜,在抑制边界效应的同时,有效避免训练样本污染.最后,在5个公开的无人机基准数据集上进行充分的实验.实验结果表明,所提出的算法与多个先进的相关滤波跟踪器相比,取得了有竞争力的结果,且算法的实时速度约为25 fps,能够胜任无人机的目标跟踪任务.

基于特征增强的轻量级无人机目标检测算法

针对无人机航拍图像特征少,小尺寸目标多以及检测任务实时性要求高等问题,以YOLOX算法为基础提出基于特征增强的轻量级无人机目标检测算法。首先,设计更加轻量的密集残差网络结构ResNet_G优化模型的主干网络,提升模型对图像特征的利用率,同时降低模型复杂度;其次,提出基于注意力机制的Atrous Spatial Pyramid Pooling(ASPP)模块作为特征增强模块,加强上下文信息关联度以减少丢失小目标特征;最后,使用Focal Loss函数与CDIoU Loss函数,改善负样本对模型权重的影响以提高对密集目标的识别能力。实验结果表明,与原网络相比,改进后算法在VisDrone2021数据集上平均检测精度提升5.08%,参数量减少0.25 M,推理时间降低2.21 ms。

基于SAE与底层视觉特征融合的无人机目标识别算法

无人机在复杂战场环境下，因敌方无人机外形、颜色等特征较为相似，现有基于底层视觉特征无法快速地对其进而准确的识别，从而造成误检测甚至误打击等事件的发生。针对这一问题，文中提出基于稀疏自动编码器融合底层视觉特征的算法，对无人机目标对象进行识别。算法首先利用底层视觉特征描述子（GIST、LBP）以及稀疏自动编码器（Sparse Auto—Encoder，SAE）提取目标对象的底层视觉特征和高层视觉特征；然后，采用主成分分析（PAC）法对全局特征进行降维融合；最后，将全局特征响应送入softmax回归模型完成无人机目标对象的分类。实验表明，与传统SAE算法及传统基于底层视觉特征描述子识别算法相比，新算法具有更高的准确性及鲁棒性。

基于SAE与底层视觉特征融合的无人机目标识别算法(英文)

无人机在复杂战场环境下,因敌方无人机外形、颜色等特征较为相似,现有基于底层视觉特征无法快速地对其进而准确的识别,从而造成误检测甚至误打击等事件的发生。针对这一问题,文中提出基于稀疏自动编码器融合底层视觉特征的算法,对无人机目标对象进行识别。算法首先利用底层视觉特征描述子(GIST、LBP)以及稀疏自动编码器(Sparse Auto-Encoder,SAE)提取目标对象的底层视觉特征和高层视觉特征;然后,采用主成分分析(PAC)法对全局特征进行降维融合;最后,将全局特征响应送入softmax回归模型完成无人机目标对象的分类。实验表明,与传统SAE算法及传统基于底层视觉特征描述子识别算法相比,新算法具有更高的准确性及鲁棒性。

基于贝叶斯信息更新的无人机目标搜索策略研究

基于贝叶斯信息更新方法,提出了一个无人机目标搜索的动态策略模型,并给出了相应算法。该模型是在一般贝叶斯先验假设下给出的,不需要现有相关文献中均匀分布的假设。在无人机搜索行动中,可以实施贝叶斯干预,利用新获取的目标搜索区域的额外信息,实时地改进搜索策略。数值实验中,假设目标处于搜索区域的分布为正态分布,实验结果表明,相比较均匀分布假设,在正态分布假设下发现概率更大,而且贝叶斯干预后的累计发现概率不会降低。

基于VITAL的无人机目标跟踪方法

针对无人机飞行环境复杂及现有跟踪算法在精确性和实时性上略微不足的问题,提出了一种新型的基于VITAL的无人机目标跟踪算法.首先,设计一套完整的无人机目标跟踪控制系统;其次,对跟踪算法进行设计,将基于对抗学习的VITAL目标识别算法引入无人机目标跟踪算法,用EKF算法对其进行优化,提高实时性且防止目标跟踪失败;最后,通过实际跟踪和性能测试实验,得到相比主流的DNN等目标跟踪算法,算法在精确度上提高4%、实时性提高43%,算法在无人机目标跟踪方面具有较强的鲁棒性.

增强特征信息的孪生网络无人机目标跟踪方法

为解决无人机视觉下目标因光照变化、完全遮挡、快速运动等情况导致跟踪效果变差甚至跟踪失败的问题,基于全卷积孪生网络跟踪算法SiamFC提出一种增强特征信息的目标跟踪方法。采用GOT-10K数据集替换原训练数据集ILSVRC2015-VID对模型进行训练,构造理解能力更深的网络模型;将带有高语义信息和低细节的浅层特征融入到深卷积层中增强网络对目标特征的提取能力;引入轻量级条带池化模块加强目标特征信息。在UAV123公开数据集基准上进行测试,实验结果表明,该方法的成功率和精确度分别达到0.542和0.746。

基于残差混合监督网络的无人机目标阴影检测

无人机在检测和跟踪目标过程中受到目标伪装、目标遮挡、移动躲避以及假目标等因素的干扰,而无人机目标附近的阴影区域加剧了这些因素对目标检测和跟踪性能的影响,因此检测无人机目标阴影区域是无人机领域的重要研究任务之一。现有无人机目标阴影检测方法面临训练数据数量有限、数据收集标注困难以及无人机目标中存在大量尺寸较小的细碎阴影区域等问题,针对这些问题,提出一种基于残差混合监督网络的无人机目标阴影检测算法。首先针对无人机目标阴影检测任务的特点设计分辨率注意力网络,在结合底层纹理特征和高层语义特征的过程中,更准确地保留底层纹理特征。然后设计混合监督网络扩充训练数据集,结合普通阴影检测数据集和无人机目标阴影检测数据集训练教师网络,使用无人机阴影检测数据集和教师网络的参数训练学生网络。同时设计残差图像,利用教师网络检测结果和标准结果之间的残差图像扩充训练数据集,使阴影检测网络更加关注细碎阴影区域。最后,在2个公开实验数据集上和已有方法进行对比实验,在各个评价参数上取得了最多41.6%的提升效果,证明所提无人机目标阴影检测算法较好的解决了现有方法存在的问题,具有较高的准确性。

无人机视角下的小目标检测方法研究

针对传统卷积网络对无人机图像中小目标检测精度低和误检问题,本研究提出一种改进的无人机图像小目标检测算法,提高航拍检测精度。本算法采用YOLOv7作为基本框架,并在空间金字塔池化中融入动态稀疏注意力,形成SPPCSPC-B模块,增强了对小目标的检测能力。同时,本算法使用局部卷积替代了高效聚合网络中的部分群卷积,形成ELAN-P模块,提高了检测速度。最后,使用轻量级上采样算子CARAFE对特征进行重组,进一步提高了检测精度。在Aerial-airport数据集上的实验结果表明,本算法在参数量减少9%、模型缩小8%的情况下,检测精度达94.7%,召回率达到90.8%,比基准算法提高了3.9个百分点,且有效改善了小目标误检、漏检现象。

基于SE-Hardnet网络的无人机图像目标匹配算法

针对无人机对目标进行匹配定位过程中,面临图像旋转变化及视角尺寸过小导致的图像特征提取困难等问题,提出了一种融合候选区域检测与SE-Hardnet特征提取网络的无人机目标图像匹配算法。通过Edge Boxes算法检测候选区域,结合SE-Hardnet网络进行特征提取,实现了目标图像的精确匹配。实验结果表明,所提算法在图像发生角度、尺寸变化时,具有更高的匹配正确率和鲁棒性,在近距离条件下图片数据集中的匹配正确率比现阶段图像匹配算法高8%~11%。为无人机目标定位提供了一种可行和有效的手段。

一种基于无人机云台的视觉目标跟踪方法

鉴于无人机视觉目标跟踪时会遇到目标遮挡、目标尺度变化等问题,同时目标跟踪方法复杂度受到云台芯片算力的严格限制,提出了一种基于无人机云台的视觉目标跟踪方法。基于多个特征相关滤波器的自适应权重融合来提升目标位置预测的精度。引入长宽相互独立变化的尺度变化池策略,解决无人机目标跟踪过程中目标尺度估计问题。通过设置模板检测和轨迹预测模块来有效地对目标跟踪过程中的遮挡状态进行检测和处理。该方法可在无人机云台芯片中实现实时跟踪,且在公开无人机目标跟踪数据集和自采集数据集中取得了很好的跟踪效果,与基线方法相比,成功率提升了10.7个百分点,准确率提升了3个百分点。

基于A-HPSO算法的无人机集群协同目标分配

首先对透明态势下无人机集群近视距空战协同任务目标分配这一问题进行了数学建模。针对在建模后问题求解过程中时常产生的“算法易陷入局部极值而无法继续搜索”这一“算法早熟”问题,在混合粒子群算法(HPSO)基础上,提出了一种引入堵塞检测机制和强制打散操作的自打散混合粒子群算法(A-HPSO)。为验证研究思路及改进后算法性能,分别将HPSO算法及其两种改进型算法M-HPSO算法和I-HPSO算法与A-HPSO算法在六种标准测试目标优化函数及固定-随机两种空战态势下所建模问题上进行对比仿真。实验结果显示,在多约束多目标函数的优化求解上,改进后的A-HPSO算法显著避免了“算法早熟”问题的发生,并进一步提升了HPSO算法的收敛速度和收敛精度。

基于YOLOv5的无人机实时目标检测研究

本文针对无人机在实时目标检测领域的应用场景进行分析,强调了实时目标检测在无人机自主导航和监测任务中的重要性。针对大目标、目标被遮挡,以及小型目标检测挑战性问题,研究人员提出了利用基于YOLOv5的无人机实时目标检测模型方法,旨在研究无人机实时目标检测的准确性和小目标识别能力提升。通过将YOLOv5s模型与YOLOv3-tiny、YOLOv4-tiny两个轻量化模型进行对比,验证本文采用模型目标检测的有效性和泛化能力。实验结果表明,本文模型有较强的特征提取能力和特征表达能力,对小目标语义信息较为敏感,本文采用的YOLOv5算法模型性能更优,预测准确率更高,小目标识别能力提升,可以为无人机实时目标检测提供高效可靠的解决方案。

改进YOLOv5s算法的无人机小目标检测方法

针对无人机视角小目标检测出现目标漏检、误检和精度不高的问题,研究适用于无人机视角下的YOLOv5目标检测算法。首先,为了使网络学习到更多的特征,在主干网络中引入轻量化的MobileNetV3_Small算法,增强模型特征提取能力的同时降低了参数量和运算量,方便部署到无人机设备。然后,为了加强模型在目标聚集的情形下以降低漏检并提升检测精度,替换原始非极大值抑制算法为Soft-NMS。实验结果表明,改进的模型在VisDrone2019数据集上检测精度达到34.7%,相比于YOLOv5s算法精度提高5.4个百分点,同时降低了模型的参数和浮点运算量,便于部署到无人机设备,使得改进后的算法可以更好的应用于无人机视角下的图像目标检测任务中。

特征平衡的无人机航拍图像目标检测算法

无人机航拍图像目标较小、图像视角变化大,导致目标检测效果不佳。针对此问题,设计了一种适用于无人机小目标检测的网络。该网络中的可变形卷积模块可以提高多视角目标的特征提取能力,以解决航拍图像目标视角变化剧烈致使目标特征难以提取的问题;特征平衡金字塔模块可以增强网络中底层小目标特征,以解决航拍图像中的小目标因特征易丢失而造成其检测效果差的问题;同时利用像素重组构建底层大尺度特征以解决特征平衡金字塔模块的底层特征卷积运算量大的问题;交叉自注意力机制获取目标上下文信息,改善严苛条件下的漏检错检问题。公开数据集上的仿真结果表明,在保证实时检测的情况下所提算法的平均准确度优于主流检测算法。

基于多重检测的无人机抗遮挡目标跟踪算法

针对无人机(UAV)目标跟踪过程中遇到目标被障碍物遮挡时跟踪效果不佳的问题,提出一种多重检测的抗遮挡目标跟踪算法。在基于时空正则化相关滤波算法的框架下通过融合多种置信度函数,设计了一种响应置信度判别方法;为了具体了解目标被遮挡情况,将响应差值变化和响应梯度变化结合在一起作为判断是否更新滤波模板参数的依据;设计了一种融合分块思想与金字塔尺度池的尺度估计方法来解决目标在图像中尺度大小变化问题。所提算法在UAV数据集上相较于其他7种算法有不错的表现,在跟踪过程中面对目标遮挡、尺度变化和快速移动问题的跟踪精度和成功率上都有明显的提升。结果表明:所提算法能够更好地应对UAV在目标跟踪过程中出现的目标遮挡和尺度变化的问题,具有良好的快速性、准确性和鲁棒性。