无人机视频图像运动目标检测算法综述

运动目标检测是实现目标跟踪、交通监控、行为分析等任务的基础。但在无人机获取的视频图像中,无人机运动、旋翼震动或外界风力等客观因素使图像出现较为明显的背景、光照等变化,会对运动目标的检测产生影响。因此,如何降低干扰、提高检测精度,让无人机在运动目标检测领域发挥作用在信息时代具有相当重要的意义。无人机视频图像的运动目标检测相比传统运动目标检测,检测思路基本一致,但干扰因素众多。本文以此为切入点,分类综述了适用于无人机视频图像运动目标检测的算法及其改进,主要包括运动估计算法、帧间差法、背景建模法、光流法等传统算法和近年出现的新型算法;通过对无人机运动状态的划分探讨比较了上述方法的优缺点及适用场景。帧间差法更适合处理无人机悬停状态的数据,背景建模法、光流法及新型算法对无人机悬停及巡航状态的数据均可处理;上述算法均不能很好解决光照变化造成误检、漏检现象。所以处理无人机视频数据时,要根据其运动信息及数据特点选择合适的算法,才能获得好的检测结果。     

面向航拍图像中工程车辆检测与识别的改进胶囊网络

目的 利用无人机(unmanned aerial vehicle, UAV)巡检识别航拍图像中的工程车辆对于减少电力安全事故的发生具有重要意义。采用人工提取特征的经典模式识别方法或YOLOv5(you only look once v5)等深度学习算法识别无人机电力巡检航拍图像中的工程车辆,存在识别准确率低、模型参数规模大等问题。针对上述问题,提出一种改进的胶囊网络识别航拍图像中的工程车辆。方法 采用多层密集连接型方法改进原始胶囊网络结构,以提取图像中工程车辆更多的特征;改进了胶囊网络的动态路由方法,以提高胶囊网络的抗干扰能力;探索了网络层数和动态路由算法中关键参数对识别准确率的影响,以找到识别准确率最高时的参数。结果 实验结果表明：1)在所采用的算法模型中,本文方法的平均识别率(mean average precision, mAP)达到94.56%,明显高于其他方法。2)网络层数对识别准确率有很大影响,但二者之间并非单调线性关系。在本文的应用场景中,5层胶囊网络的识别准确率最高;此外,动态路由算法改进与否并不会影响识别准确率跟随网络层数的变化趋势。3)胶囊网络层数增加会降低识别效率...     

无人机着陆技术研究

无人机着陆引导在现代无人机中的作用越来越重要。本文介绍了国内外无人机的回收方式,分析了多种着陆引导技术的优缺点,在此基础上,对于未来无人机着陆引导技术进行了展望。     

一种无人机扩频遥控系统的性能分析

在剖析无人机扩频遥控系统组成的基础上,对无人机扩频遥控系统的处理增益、抗干扰容限及保密性能做了具体的分析,对无人机扩频遥控系统的雷达截获概率做了深入的探讨。     

无人机数据链暗室拉距测试方法

无人机数据链的有效通信距离是无人机的一项重要指标,如何准确高效地对有效通信距离进行测试表征,对于无人机安全运行和评估系统正常工作的可靠度具有重要意义。在分析无人机数据链通信链路中传输损耗构成的基础上,从测试环境可控性、测试效率、可重复性、贴近业务应用等方面比较了当前主要测试方法之间的优劣,设计了室内拉距测试方法并完成相应测试,最后根据吞吐量指标对有效通信距离与实际业务应用间的关系进行了讨论。所提出的无人机数据链有效通信距离测试方法简单易行,测试结果准确,具有较强的实用价值。     

基于伪到达时的无源定位精度分析

无人机具有体积小、功耗低、重量轻等优点。结合无源定位,提出了应用伪到达时间定位技术的无人机多站无源定位模型,给出了定位原理,并详细推导了定位精度。仿真分析了基线长度、站址校准时间间隔对定位精度的影响。根据理论仿真的效果,可知提高目标定位精度的方法有增加站间距离和减少站址校准时间间隔。     

无人飞行器扩频角跟踪技术研究与应用

单通道单脉冲角跟踪技术因其精度高、工作信噪比较低、动态响应快以及实现简单、可靠,在无人飞行器测控领域得到广泛应用。通过分析单通道单脉冲扩频角跟踪技术的工作原理,给出了该技术在工程中的实现方案;同时考虑到工程应用中的具体需求,对传统的解扩方法进行了改进,以适应单通道单脉冲扩频角跟踪技术在无人飞行器测控领域的应用。     

Implementation of an efficient extreme learning machine for node localization in unmanned aerial vehicle assisted wireless sensor networks

Accurate node localization in wireless sensor networks (WSNs) is an essential for many networking protocols like clustering, routing, and network map building. The classical localization techniques such as multilateration and optimization‐based least square localization (OLSL) techniques estimate position of unknown node (UN) from the distance measured between all anchor nodes (ANs) and UNs. On the other hand, node localization using fixed terrestrial ANs suffers from poor localization accuracy because the ground to ground (GG) channel link is not reliable. By contrast, the mobile anchor deployed in unmanned aerial vehicle (UAV) provides high localization accuracy through reliable air to ground (AG) channel link. Still, the nonlinear distortion introduced in the wireless channel makes the distance measurement noisy. This noisy distance measurement also limits localization accuracy of classical localization techniques. Hence, the highly nonlinear artificial neural network (ANN) models such as multilayer perceptron (MLP) models can be applied effectively for node localization in UAV‐assisted WSNs. However, the MLP suffers from slow training speed, which limits its usage in real‐time applications. So, the extreme learning machine (ELM) is found to be a better alternative because it works on empirical error minimization theory, and its learning process requires only a single iteration. The detailed simulation analysis supports the proposed ELM localization scheme in terms of both localization accuracy and computational complexity.     

无人机光电载荷及其应用

简要介绍了无人机优势及应用范围,对目前世界上主要固定翼无人机及无人直升机的光电载荷进行了研究分析,在此基础上,对新型无人飞行器概念平台进行介绍。最后总结了无人机光电载荷发展趋势,即随着无人机平台技术及光电载荷技术的迅速发展,长航时、良好隐身性、多用途、具备主动光电干扰能力、高智能将是无人机光电载荷的发展趋势。     

无人机相关技术与发展趋势

无人驾驶飞机（简称“无人机（UAV）”）主要包括飞机机体、飞控系统、数据链系统、发射回收系统、电源系统等。其相关技术涉及隐身、飞行控制、动力、用等特性,在军用、民用以及研究领域有着广泛应用。趋势。数据链、发射等方面。根据其运用灵巧、精度高、可重复利针对现有状况阐述无人机目前存在的问题,展望今后的发展