旋翼无人机视觉跟踪系统

设计实现了一种基于PC104计算平台的旋翼无人机自动目标跟踪系统.该系统由机载视觉子系统、地面站子系统、无线通信子系统3个部分组成.构建了完整的空地、人机交互环路.采用基于背景权重的Mean Shift目标跟踪算法,能够有效减小复杂环境背景对目标跟踪的影响.可靠性高且算法复杂度低.在室内外环境下进行的实验测试结果表明:系统在目标跟踪过程中即使遇到相似目标干扰或大面积遮挡,仍能够准确地自动跟踪目标,利用目标在图像中的位置主动引导数字云台与其保持相同运动方向,使目标尽可能处于相机中心视场范围内,验证了系统的可靠性和实时性.     

小型无人机交通辅助系统

本系统用来辅助交通管理,对过往车辆进行车牌识别,发现有在逃车辆的车牌号码时自动进入无人机控制模式,利用无人机对目标车辆进行跟踪,并反馈目标位置、速度信息,进行更好的管理和拦截。以Intel的手机平台为系统核心,采用Open CV进行图像处理,利用人工神经网络的方法进行自动车牌识别,提供语音识别遥控以及按钮遥控无人机的功能,充分发挥Intel手机平台的运算性能,协助交通警察监管交通状况。     

双目测距和YOLOv5s的无人机快速识别定位追踪系统

无人机的识别与监控是目前安防领域研究的热点,现有的无人机检测方案成本过高、实现困难,存在一定的缺陷。针对此问题,文中提出一种使用最新型深度学习算法YOLOv5s的无人机光学快速识别定位追踪系统。首先通过深度学习算法实时检测是否存在无人机,并准确定位无人机的位置信息;再进一步使用KCF快速追踪算法锁定并持续追踪入侵目标;最后采取双目深度摄像头实时测算跟踪目标距离,定位位置信息后再转换输出无人机三维位置数据。所设计系统使用最新一代YOLOv5s深度学习模型,并通过改进训练模型使得其对无人机的识别达到了较高的准确率,特别是在运算速度方面,大大超过现有算法,满足高速追踪的要求。实验结果表明,相较于YOLOV3,YOLOv5s模型的准确率提高5.84%,召回率提高6.41%,推理速度提高300%。采用YOLOv5s和KCF算法相结合可稳定连续定位目标,且由于双目摄像头定位精确,全局识别速度高达80 f/s,完全具备高速追踪定位无人机的能力。     

基于OpenMV的四旋翼无人机目标跟踪系统设计与实现

基于四旋翼无人机小巧便捷可控的特点,设计并实现了一种可识别并自动跟踪物体的四旋翼无人机系统,该系统采用STM32F407为主控芯片,综合光流模块、数传模块、OpenMV4模块和电机、螺旋桨等外围设备,采用姿态估算、色块跟踪解耦合、色块识别、滤波、坐标系转换、PID调节、前馈调节等算法实现四旋翼的识别与自动跟踪,使其可以在平稳飞行的同时,按照程序指令搜寻目标,并触发跟踪状态,完成自动跟踪。该四旋翼无人机系统灵巧便携,操作简单,通用性强,应用前景广阔。     

面向多目标的无人机跟踪系统设计与实现

四旋翼无人机因其较高的机动性和灵活性,常用于多目标搜索和跟踪任务。针对目标尺度变化、复杂背景干扰等因素导致的无人机多目标跟踪失效等问题,设计一种基于YOLOv5+DeepSort融合算法的无人机多目标检测与跟踪系统。首先,分析四旋翼无人机动态目标搜索跟踪系统框架结构及工作原理;其次,对系统的硬件组成及软件算法流程进行分析和设计;最后,利用所建立的系统进行数据测试训练。研究结果表明,所设计的无人机多目标跟踪系统能够有效检测并跟踪设定目标,准确度高、抗干扰能力强,跟踪系统可靠、有效。     

基于遥控信号频谱特征的无人机识别算法

近年来,无人机"黑飞"事件与非法入侵的案例开始激增,现有的识别技术往往难以实时、准确地检测到非法无人机,为此提出了一种基于遥控信号频谱特征的无人机识别算法。该算法通过背景频谱模板学习(利用二次平均的方法求信号检测阈值,并屏蔽宽带信号对无人机遥控信号检测的干扰)、无人机跳频与定频遥控信号检测、机型判断及其特征参数学习三大模块来识别非法入侵的无人机。实验结果表明,该算法可以实现对常见无人机实时准确地识别,且鲁棒性较强。     

孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法

针对一般跟踪算法不能很好地解决航拍视频下目标分辨率低、视场大、视角变化多等特殊难点,该文提出一种融合目标显著性和在线学习干扰因子的无人机(UAV)跟踪算法。通用模型预训练的深层特征无法有效地识别航拍目标,该文跟踪算法能根据反向传播梯度识别每个卷积滤波器的重要性来更好地选择目标显著性特征,以此凸显航拍目标特性。另外充分利用连续视频丰富的上下文信息,通过引导目标外观模型与当前帧尽可能相似地来在线学习动态目标的干扰因子,从而实现可靠的自适应匹配跟踪。实验证明:该算法在跟踪难点更多的UAV123数据集上跟踪成功率和准确率分别比孪生网络基准算法高5.3%和3.6%,同时速度达到平均28.7帧/s,基本满足航拍目标跟踪准确性和实时性需求。     

基于卷积神经网络的无人机视觉跟踪系统设计

文章研究了具有云台摄像机(PTZ)的无人机视觉跟踪问题,并设计了能够自动初始化的跟踪系统。该系统首先通过PTZ相机系统拍摄的图像背景,计算包含运动目标的边界;其次,通过卷积神经网络算法决定该边界内是否存在无人机;最后,采用视觉伺服方案调整PTZ参数,使被探测无人机的边界尽可能地延伸到摄像机视场范围内。实验结果表明,文章设计的系统对无人机的快速机动具有较强的鲁棒性。     

孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法

针对一般跟踪算法不能很好地解决航拍视频下目标分辨率低、视场大、视角变化多等特殊难点,该文提出一种融合目标显著性和在线学习干扰因子的无人机(UAV)跟踪算法.通用模型预训练的深层特征无法有效地识别航拍目标,该文跟踪算法能根据反向传播梯度识别每个卷积滤波器的重要性来更好地选择目标显著性特征,以此凸显航拍目标特性.另外充分利用连续视频丰富的上下文信息,通过引导目标外观模型与当前帧尽可能相似地来在线学习动态目标的干扰因子,从而实现可靠的自适应匹配跟踪.实验证明:该算法在跟踪难点更多的UAV123数据集上跟踪成功率和准确率分别比孪生网络基准算法高5.3%和3.6%,同时速度达到平均28.7帧/s,基本满足航拍目标跟踪准确性和实时性需求.     

用于滑坡监测的自动跟踪激光表面测速系统

为实现滑坡表面速度、位移的自动实时监测,研制了一套新颖的自动跟踪激光表面测速系统(TLSV)。该测速系统基于激光多普勒效应,采用反馈控制技术,能够实现目标沿光轴方向速度、位移的精密测量,以及目标的自动跟踪。系统采用的"信号搬移消除噪声法",可以将常规去噪技术难以去除的混杂在多普勒信号中的噪声和干扰有效消除,进一步提高多普勒信号的信噪比;同时,"假随机采样一致性算法"使测速系统能够快速、准确识别目标,保证了目标跟踪的成功执行。并且,反光膜的合理应用使远距离目标的测量成为了可能。实验结果表明,该测速系统可实现目标沿光轴方向亚μm级速度、位移的准确测量,测量误差小于0.5%,测量距离大于50m。系统利用自动跟踪功能也同时实现了目标面内运动的监测,一定程度上将目标监测从二维平面扩展到三维立体空间。     

基于改进卡尔曼滤波的激光补给无人机跟瞄方法研究

激光供能为无人机长时间工作提供了保障,但是激光供能对捕获、跟踪和对准(APT)系统具有较高的要求.本文针对无人机距离地面补给站远、激光跟踪延迟、无人机供给能量不足等问题,提出一种基于自适应卡尔曼滤波算法,采用当前统计模型构建,通过残差检测对无人机模型进行实时的修正,加快位置更新速度,实现激光对无人机的最优跟踪.经过仿真...     

自适应时空正则的无人机目标跟踪算法

针对无人机跟踪场景中目标分辨率较低且易受无人机(unmanned aerial vehicle,UAV)飞行姿态、速度变化等因素的影 响而难以对目标进行鲁棒跟踪的问题,提出了一种自适应时空正则的无人机目标跟踪算法以 有效解决上述问题。在时空正则相关滤波器(spatial temporal regularized correlation filter,STRCF)算法基础上引入AutoTrack中的空间正则性代价并利用峰值 旁瓣比和局部响应变化量,在线动态更新时空正则化参数以提升跟踪器的准确性,通过在跟踪 器中嵌入遮挡处理模块解决目标遭遮挡后跟踪漂移的问题。在多个无人机基准数据集上进行 了测试,实验结果表明,与基准算法AutoTrack相比,本文算法具有更高的精确度和更快的 处理速度。其中在DTB70数据集上跟踪精度和速度分别提升了1.5% 和74.4%;在UAVDT 数据集上9个属性的分类对比中,本文算法在尺度变化(scale variation,SV)、目标模糊(object blur,OB)等7个属 性上取得较高的性能,均排在第一位。由此可见本文算法可以更好地满足无人机应用需求。     

无人机激光无线能量传输APT系统跟踪设计

无人机激光无线能量传输捕获、瞄准、跟踪(APT)系统是系统接收端获得稳定能源的保障。为了解决能量传输过程中充电链路高效可靠的问题, 结合无人机激光能量传输系统特点及实际需求, 在设计中建立自适应感兴趣区域, 提高图像处理速度, 降低噪声, 准确提取目标坐标; 综合考虑多重误差后通过Kalman预测算法实现稳定跟踪, 并根据系统特点提出了系统功率传输效率的计算方案。结果表明, 当无人机飞行速率在18km/h内, 该APT系统能够在300m~500m距离准确跟踪无人机, 跟踪精度在320μrad内。该方案能够保证激光能量传输过程的跟踪精度与可靠性。     

Joint frame rate adaptation and object recognition model selection for stabilized unmanned aerial vehicle surveillance

We propose an adaptive unmanned aerial vehicle (UAV)-assisted object recognition algorithm for urban surveillance scenarios. For UAV-assisted surveillance, UAVs are equipped with learning-based object recognition models and can collect surveillance image data. However, owing to the limitations of UAVs regarding power and computational resources, adaptive control must be performed accordingly. Therefore, we introduce a self-adaptive control strategy to maximize the time-averaged recognition performance subject to stability through a formulation based on Lyapunov optimization. Results from performance evaluations on real-world data demonstrate that the proposed algorithm achieves the desired performance improvements.     

武装无人机--一种重要的空中武器发射平台

武装无人机和无人战斗机是不同的。介绍了世界武装无人机的发展,分析了它的任务和机载设备。提出无人机武器化是无人机发展的一个重要趋势,与研制无人战斗机和由有人机改无人战斗机相比,武装无人机是实现空中无人武器投放平台的相对简单和成熟的办法。     

YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法

针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法。该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力。实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11%,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288%、3.968%,有效减少目标身份切换频次。     

基于DSP的无人机编队视频跟踪技术

无人机编队飞行可协同完成任务,比单机执行任务效率更高。队形控制是实现编队飞行的关键技术之一。视觉跟踪技术能从视频序列中获得感兴趣目标的状态参数,故在编队中可以利用视觉信息进行目标检测与跟踪来确定邻机方位及距离信息,从而实现队形控制。首先利用视觉传感器获取无人机的运动图像,然后基于DSP采用KLT算法,计算出无人机在图像上的相对位移,实现无人机的跟踪。实验证明,跟踪结果准确性较高,满足实际应用的精度要求,可用于无人机编队稳定跟踪,为进一步解决无人机相对定位问题提供位移信息。     

基于激光检测的无人机探测系统与实验

现有的无人机探测通常采用以雷达扫描为主,辅以其他传感器探测的方式。但是,目前使用雷达探测的成本较高,而激光器作为一种低成本、低功耗的器件已受到人们广泛关注。以激光为载体,结合无线光通信中的捕获、瞄准、跟踪(APT)系统,设计并实现了一种基于激光探测技术的无人机扫描定位系统,并以气球模拟无人机目标的测试方式,测试了该系统的定位精度和效率。扫描试验结果表明:在激光发射器平均功率小于40mW的情况下,该系统对目标的捕获定位能达到较高的精度,误差在5%以内,最大可探测范围为45m。