基于视觉的无人机识别与跟踪技术研究.pdf

摘要

随着四旋翼无人机（以下统称为无人机）在民用市场的迅速普及，无人机“黑

飞”事件频出，对公共安全造成极大威胁，因此如何快速有效的识别并跟踪无人机

显得尤为重要。在现有的无人机识别与跟踪技术中，基于视觉算法成本低且易实施，

因此研究基于视觉的无人机识别与跟踪技术具有重要意义。但是目前基于视觉的

无人机识别与跟踪技术同样面临诸多挑战，例如无人机飞行过程中容易出现尺度

变化等问题，都会给识别和跟踪算法带来一定的困难。针对这些问题，本文主要研

究基于视觉的无人机小目标识别与跟踪算法，具体包括以下几个方面工作。

首先，针对网络模型需要在算力低的嵌入式平台进行部署，而目前轻量化神经

网络模型存在对小目标识别能力不足的问题，本文在YOLOv4-tiny的基础上，提

出了YOLOv4-UAV_D模型。该模型对YOLOv4-tiny网络的输入层、网络结构、

Anchor框以及检测头进行优化，以提高网络对小目标的识别精度；为了保证网络

模型运行的实时性，本文使用深度可分离卷积对标准卷积进行替换，减少了网络模

型的卷积计算量，保证了网络的实时性。同时为了验证优化后的网络模型性能，本

文制作了9287张包含无人机目标的UAV数据集，优化后的网络模型在UAV数据

集的2055张图片测试集上达到了81.87%的识别准确率，相较于YOLOv4-tiny模

型提高了23.71%。

其次，针对无人机在飞行过程中因尺度变化而造成的跟丢问题，本文在KCF

算法的基础上，提出了YOLO-KCF算法。该算法将跟踪分为近距离跟踪和中远距

离跟踪两个阶段。在近距离跟踪时针对无人机容易在视野中丢失这一问题，本文采

取旋转框对无人机的姿态信息进行预测，从而获取无人机飞行动向，同时对前后帧

无人机的相似度进行计算以保证跟踪过程中的唯一性。在中远距离对无人机进行

跟踪时，针对KCF算法模板大小不随跟踪的过程发生改变，从而不能适应无人机

飞行过程中的尺度变化这一问题，本文通过定时对无人机位置进行检测，当KCF

模板发生漂移时，对KCF模板进行初始化，以确保对无人机进行稳定跟踪。

最后本文在JetsonTX2嵌入式平台对算法模型进行部署，并使用大疆M100以

及Parrot无人机作为样本对算法的性能进行验证。实验表明，本文提的方法能够有

效地对小目标无人机进行识别和跟踪。

关键词：无人机识别，无人机跟踪，YOLOv4，KCF，嵌入式平台

ABSTRACT

Withtherapidpopularityofquadcopterdrones(hereaftercollectivelyreferredtoas

drones)inthecivilianmarket,UAVblackflightincidentsarefrequentandposeagreat

threattopublicsafety,soitisespeciallyimportanttodetectandtrackUAVsquicklyand

effectively.AmongtheexistingUAVdetectionandtrackingtechnologies,vision-based

algorithmsarelow-costandeasytoimplement,soitisimportanttostudyvision-based

UAVdetectionandtrackingtechnologies.However,thecurrentvision-basedUAV

detectionandtrackingtechnologyalsofacesmanychallenges,forexample,theUAVis

pronetoscalechangesduringflight,whichcanbringcertaindifficultiestothedetection

andtrackingalgorithm.Toaddresstheseproblems,Thesisfocusesonthevision-based

UAVsma