基于深度学习的无人机侦察图像目标识别

无人机侦察图像是获取战场情报信息的重要手段。针对侦察图像目标识别速度慢、效率不高等问题,笔者结合研究现状提出将深度学习应用到侦察图像目标识别领域。首先标注了一个地面主要武器装备数据集,然后在YOLOv3算法官方参数权重的基础上采用迁移学习的方法进行微调训练,最后使用训练好的模型进行目标识别。实验结果表明,基于深度学习的YOLOv3算法可以较好地实现无人机侦察图像目标识别,且可以满足实时性的要求。     

Vision-Based Fixed-Time Uncooperative Aerial Target Tracking for UAV

<正>Dear Editor, In this letter, a vision-based fixed-time control is proposed for an unmanned aerial vehicle(UAV) with actuator saturation to track an uncooperative target. The fixed-time control is designed in backstepping framework. The relative states between UAV and the target are not directly measured, and are estimated by an onboard monocular camera.     

无人侦察机目标跟踪系统鲁棒控制

在已建立的陀螺稳定平台数学模型的基础上,利用定量反馈理论,设计了无人机目标跟踪系统的鲁棒控制器,并对某型无人机目标跟踪鲁棒控制系统进行了仿真,结果表明:采用QFT鲁棒控制器可以有效地消除干扰影响,较好地实现了高低环与方位环的解耦,较准确地实现了目标跟踪.     

改进的CamShift无人机目标跟踪算法

目前,无人机视频目标跟踪算法在应用方面仍存在一些问题,比如在光照不均、目标发生旋转、目标被遮挡的情况下跟踪效果不佳。因此,本文提出一种结合HLBP特征匹配与Kalman滤波的CamShift跟踪算法。首先通过HLBP算法对目标特征进行提取,获得更准确的纹理特征,进而减小光照变化以及目标旋转对特征提取造成的干扰,其次通过巴氏距离对目标遮挡程度进行判断,最后结合Kalman滤波算法对目标位置进行预测,能够有效解决目标发生遮挡时跟踪效果不佳的问题。实验结果表明,在无人机目标跟踪的实际应用中,改进算法能够有效降低外在干扰对跟踪效果的影响,跟踪精度得到提升。     

Vision Based Target Tracking and Collision Avoidance for Mobile Robots

A real-time object tracking and collision avoidance method is presented for mobile robot navigation in indoors environments using stereo vision and a laser sensor. Stereo vision is used to identify the target and to calculate its relative distance from the mobile robot while laser based range measurements are utilized to avoid collision with surrounding objects. The target is tracked by its predetermined or dynamically defined color. The mobile robot’s velocity is dynamically adjusted according to its distance from the target. Experimental results in indoor environments demonstrate the effectiveness of the method.     

无人机目标实时自适应跟踪系统

随着无人机(unmanned aerial vehicle,UAV)在航拍、空中侦察等相关领域被广泛应用,对于无人机的智能化需求逐渐提高.目标跟踪具有信息量大、实时性高等优点,能够为无人机的智能飞行提供大量且实时的外部信息.进行低开销、低功耗的无人机目标跟踪系统的研究,对无人机智能化进程的加速具有深远意义.为更好解决跟...     

基于无人机跟踪的目标反遮挡算法

随着计算机视觉和无人机的蓬勃发展,目标跟踪是当下研究热点之一;但对于该方向,目前存在大量问题,目标的遮挡就是其中之一;因此,为了解决该问题,在此提出了一种无人机抗遮挡目标跟踪算法;该算法基于均值漂移目标跟踪算法;采用动态参数选择策略和双预测机制相结合的方法来解决目标跟踪过程中的目标遮挡问题;为了避免目标丢失,算法中采用目标检测的方法;大量实验表明,在与现有的算法比较过程中,该算法展示出了对遮挡目标跟踪有较好的鲁棒性和实时性;与其他算法相比,其精度提高约了10%,平均目标符合率提高了约15%。     

面向旋翼无人机目标追踪的解耦视觉伺服方法

传统的机器人PID控制方法因结构简单在复杂环境中的鲁棒性与稳定性较差,而传统视觉伺服控制系统的闭环反馈机制影响强耦合系统的控制效果。针对传统机器人PID控制与视觉伺服在旋翼无人机追踪问题中的不足,提出一种解耦的视觉伺服追踪方法。利用费尔曼链码的目标特征提取算法提取目标的特征点,建立特征点误差与速度之间的视觉伺服模型,通过姿态调节去除俯仰角与滚转角的影响,采用动力学扩展方法将运动参数从4个自由度扩展为6个自由度,设置在线速度空间与角速度空间上独立的伺服增益。在仿真条件与实物条件下进行旋翼无人机追踪实验,结果表明,相比传统的视觉伺服与PID方法,该方法目标丢失概率更小,追踪效果更好。     

Autonomous Vision-based Target Detection and Safe Landing for UAV

International Journal of Control, Automation and Systems - Target detection is crucial for many applications of Unmanned Aerial Vehicles (UAVs) such as search and rescue, object transportation,...     

多传感器目标检测跟踪与分类算法

在目标准确检测优化的研究中,单传感器联合检测、跟踪和分类算法是一种新型算法,可以同时对目标进行检测、状态估计和类别判断.然而上述算法估计目标数目、状态与类别性能较差.采用多传感器方法对目标进行观测,可以显著提高目标检测、跟踪与分类效果.提出基于粒子概率假设密度(PFPHD)滤波器的多传感器联合检测、跟踪和分类算法.首先通过对各传感器信号进行建模,提取目标的属性量测,然后引入目标的属性信息对目标状态空间进行重新建模,从而得到目标综合状态,最后利用多个传感器的量测对综合状态进行序贯处理.仿真结果表明,与单传感器联合算法相比,上述算法能够更准确判断多目标类别,目标数目估计精度和跟踪精度均提高20％以上,验证了算法的有效性和可行性.     

群目标跟踪技术综述

根据研究重点的不同, 从群目标跟踪的建模和滤波算法方面展开综述, 主要包括:量测处理、扩展外形建模、内部关系建模、群分裂/合并建模以及滤波算法等.最后, 基于群目标跟踪现有研究进展和未来可能面临的挑战, 对群目标跟踪领域需要重点研究和关注的方向作了展望.     

基于孪生区域建议网络的无人机目标跟踪算法

在无人机跟踪过程中,遮挡、光照变化、背景干扰等影响会导致跟踪目标丢失。基于SiamRPN算法提出一种无人机目标跟踪算法。通过在网络中加入空间条带池和全局上下文模块建立远程上下文关系,以适应不同的跟踪场景。同时利用改进交并比的计算方法提取目标特征,并回归精准的预测框。在UAV123数据集上的实验结果表明,相比SiamRPN、SiamFC、SAMF等算法,该算法的跟踪性能较优且具有较强的鲁棒性,尤其在背景干扰环境下,其精确率和成功率较SiamRPN算法分别提升了6.54%和11.63%。     

面向无人机的视觉目标跟踪算法：综述与展望

近年来,无人机因其小巧灵活、智能自主等特点被广泛应用于民用和军事等领域中,特别是搜索侦察过程中首要的目标跟踪任务。无人机视觉目标跟踪场景的复杂性和运动目标的多变性,使得目标特征提取及模型建立困难,对目标跟踪性能带来巨大的挑战。本文首先介绍了无人机视觉目标跟踪的研究现状,梳理了经典和最新的目标跟踪算法,特别是基于相关滤波的跟踪算法和基于深度学习的跟踪算法,并对比了不同算法的优缺点。其次,归纳了常用的目标跟踪数据集和性能评价指标。最后,展望了无人机视觉目标跟踪算法的未来发展趋势。     

Detection, Tracking and Avoidance of Multiple Dynamic Objects

Real-time motion planning in an unknown environment involves collision avoidance of static as well as moving agents. Strategies suitable for navigation in a stationary environment cannot be translated as strategies per se for dynamic environments. In a purely stationary environment all that the sensor can detect can only be a static object is assumed implicitly. In a mixed environment such an assumption is no longer valid. For efficient collision avoidance identification of the attribute of the detected object as static or dynamic is probably inevitable. Presented here are two novel schemes for perceiving the presence of dynamic objects in the robot's neighborhood. One of them, called the Model-Based Approach (MBA) detects motion by observing changes in the features of the environment represented on a map. The other CBA (cluster-based approach) partitions the contents of the environment into clusters representative of the objects. Inspecting the characteristics of the partitioned clusters reveals the presence of dynamic agents. The extracted dynamic objects are tracked in consequent samples of the environment through a straightforward nearest neighbor rule based on the Euclidean metric. A distributed fuzzy controller avoids the tracked dynamic objects through direction and velocity control of the mobile robot. The collision avoidance scheme is extended to overcome multiple dynamic objects through a priority based averaging technique (PBA). Indicating the need for additional rules apart from the PBA to overcome conflicting decisions while tackling multiple dynamic objects can be considered as another contribution of this effort. The method has been tested through simulations by navigating a sensor-based mobile robot amidst multiple dynamic objects and its efficacy established.     

目标监控的实时检测与跟踪

本文系统地研究了视频监控系统中多目标多特征实时检测及其实现技术。通过在视频带中完整记录可疑目标的行为,为此类事件定义一套标准。本系统能够自动的从视频序列中提取可疑人物或事件的若干初级特征,而这些特征的有机融合包含足够的信息,可以决定是否发生了非常事件。     

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。     

高阶深度可分离无人机图像小目标检测算法

当前无人机图像中存在小目标数量众多、背景复杂的特点, 目标检测中易造成漏检误检率较高的问题, 针对这些问题, 提出一种高阶深度可分离无人机图像小目标检测算法. 首先, 结合CSPNet结构与ConvMixer网络, 深度可分离卷积核, 获取梯度结合信息, 并引入递归门控卷积C3模块, 提升模型的高阶空间交互能力, 增强网络对小目标的敏感度; 其次, 检测头采用两个头部进行解耦, 分别输出特征图分类和位置信息, 加快模型收敛速度; 最后, 使用边框损失函数EIoU, 提高检测框精准度. 在VisDrone2019数据集上的实验结果表明, 该模型检测精度达到了35.1%, 模型漏检率和误检率有明显下降, 能够有效地应用于无人机图像小目标检测任务. 在DOTA 1.0数据集和HRSID数据集上进行模型泛化能力测试, 实验结果表明, 该模型具有良好的鲁棒性.     

基于ABCshift算法的目标检测与跟踪

针对Camshift算法需要人为定位的问题,利用帧间差分法检测运动目标的初始位置,采用ABCshift算法连续更新背景模型,自动降低类目标色在颜色概率分布图中的密度值,从而实现准确的目标检测与跟踪。实验结果表明,该方法可以解决Camshift算法进入大面积类目标色背景下目标跟踪效果不理想的问题,在复杂背景下具有较好的适应性。