基于YOLOv3的无人机识别与定位追踪

近年来,无人机入侵的事件经常发生,无人机跌落碰撞的事件也屡见不鲜,在人群密集的地方容易引发安全事故,所以无人机监测是目前安防领域的研究热点.虽然目前有很多种无人机监测方案,但大多成本高昂,实施困难.在5G背景下,针对此问题提出了一种利用城市已有的监控网络去获取数据的方法,基于深度学习的算法进行无人机目标检测,进而识别无人机,并追踪定位无人机.该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机,YOLOv3算法是YOLO(You only look once,一次到位)系列的第三代版本,属于one-stage目标检测算法这一类,在速度上相对于two-stage类型的算法有着明显的优势.YOLOv3输出视频帧中存在的无人机的位置信息.根据位置信息用PID(Proportion integration differentiation,比例积分微分)算法调节摄像头的中心朝向追踪无人机,再由多个摄像头的参数解算出无人机的实际坐标,从而实现定位.本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集,并且使用label Img工具对图片中的无人机进行了标注,数据集按照无人机的旋翼数量进行了分类.实验中采用按旋翼数量分类后的数据集对检测模型进行训练,训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率,在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度,可实现实时追踪.

论侦防工作中视频监控电子数据的采集与鉴定

在大数据时代，犯罪侦查工作不可避免地面临深刻的变革。通过视频监控、电脑网络而获取的电子数据可以建立起虚拟的“数据人”模型，为案件侦办提供有价值的线索。视频监控电子数据信息搜集与鉴别在侦查实践中主要包括图像辨识、画像校正、比例测量、信息回溯、时空关联、线面追踪等方法。在搜集视频影像信息时需要由有一定资质的技术人员严格按照电子数据的相关规定进行采集、保存、保密及分析。视频监控数据侦查取证体制还应该从建立视频监控信息共享平台、规范视频监控信息研判机制、提升视频监控处理技术。以及充分利用社会资源的电子数据等方面来改进。