[发明专利]一种基于深度学习的反无人机跟踪方法

说明书

本发明属于无人机识别技术领域，具体涉及一种基于深度学习的反无人机跟踪方法。本发明基于目前的检测技术现状并考虑到检测精度、距离、成本等因素，采用视觉相关技术实现无人机的探测，视觉探测分为检测和跟踪两个阶段，通使用深度学习的方法得到一种更加适合用于对无人机进行跟踪的方法。为了保证最终的跟踪速度，设计了一个轻量级的检测网络，整个检测网路在保证速度的同时拥有很高的检测精度，同时设计的跟踪网络是对原有网络的进一步改进。整体上而言，最后的跟踪网络能够有效快速地实现对无人机的跟踪。

技术领域

本发明属于无人机识别技术领域，具体涉及一种基于深度学习的反无人机跟踪方法。

背景技术

无人机的快速民用化商业化发展使得无人机的普及率一再提高，但是使用者的安全意识淡薄往往造成一系列的安全问题。特别是一些公共区域，如机场等事故频发，对无人机进行实时的监测很有必要。

塑料材质的无人机反射面积小，飞行高度低、速度慢，特别在城市、机场等地方，地面杂波较多，采用雷达难以有效探测无人机。音频探测技术受环境噪声干扰较大，在城市等其他嘈杂的环境中难以探测到无人机。射频探测技术对发射、接收装备的灵敏度要求高且电磁静默状态下的无人机很难被探测到。视觉探测技术依赖的光传感器价格低廉，便于实现，并且具有准确度高、速度快，监视范围大等优点，这些特点使其成为了反无人装备中最为重要的探测技术之一。近年来，深度学习的快速发展使得卷积神经网络成为计算机视觉领域的主流方法，在检测和跟踪领域同样如此。

发明内容

本发明基于目前的检测技术现状并考虑到检测精度、距离、成本等因素，采用视觉相关技术实现无人机的探测，视觉探测分为检测和跟踪两个阶段，通使用深度学习的方法得到一种更加适合用于对无人机进行跟踪的方法。

为实现上述目的，本发明的技术方案为：

一种基于深度学习的反无人机跟踪方法，其特征在于，包括以下步骤：

S1、收集无人机数据并进行预处理，预处理方法为计算每张无人机图片的均值和方差，然后每张图片origin减去均值除以方差，再经过数据增强后得到训练集；

S2、构建检测和跟踪网络模型，所述检测网络模型以CenterNet为基础，采用MobileNetV3-small为特征提取网络对输入的训练集图片进行特征提取，特征提取网络输出的特征图片经过SPPnet和转置卷积后，得到检测结果，检测结果包括三个分支，分别为无人机的中心点分支、相对于中心点的位置偏移分支和无人机目标框的宽高分支；检测网络的损失函数设置为：

L_total＝L_k+λ_sizeL_size+λ_offL_off

其中，λ_size＝0.1，λ_off＝1，L_k为无人机的中心点分支损失函数：

是中心分支每个点输出的值，N是正样本的个数，Σ_xyc表示网络输出层上的所有的点，α、β是训练中预设的超参数；

L_off为相对于中心点的位置偏移分支损失函数：

为偏移分支的预测值，p为下采样之前的整数坐标，R为下采样率4，为下采样后取整的坐标值；

L_size为无人机目标框的宽高分支的损失函数：

和S_k分别为预测和实际宽高的模值；