基于深度学习的无人机目标检测系统

睢丙东　苗林星　于国庆

关键词：无人机;目标检测;目标跟踪

近几年，关于无人机应用方面的科学技术快速进步，推动了以无人机为绝对主力的“低、慢、小”航空器的迅猛快速发展，国内的无人机“黑飞”事件也在逐渐增多。仅仅依靠政府出台的法规，依靠广大无人机爱好者自觉自律，是无法彻底解决无人机的“黑飞”“滥飞”问题。因此，本文基于深度学习技术，提出了对无人机目标检测系统的研究。

1无人机目标检测模型的选取

现在主流的目标检测算法包括两阶段和单阶段目标检测算法，本文选择具有代表性的Fast-RCNN、Faster-RCNN、SSD、YOLOvl、YOLOv2、YOLOv3算法使用VOC2007和2012公开数据集对上述算法进行了对比测试，根据试验结果最终选择YOLOv3作为本文的基准模型。实验结果如表1所示。

从表1的评估结果中可以看到：检测的精确度方面，YOLOv3的精度是最高的，达到78. 9%，比SSD和R-CNN系列都要好;同时实时性也是最好的，这样极大地提高了系统的应用价值。因此本文选用YOLOv3网络模型，并在此基础上做相应的改进以达到更好的检测效果。

2无人机目标检测模型的改进

2.1网络结构的改进

对数据集分析后发现无人机具有小尺度的特殊性，针对小尺度无人机的目标检测，原模型架构显得不够出色。针对此问题，本文在YOLOv3的基础上对网络结构模型改进，在原网络结构的基础上增加第四个尺度。经过模型的改进得到四个特征尺度分别为：104×104，52×52，26×26和13×13。增加第四个尺度的结构如图1所示：

2.2无人机预测框筛选算法改进

当生成的锚框数量较多时，同一个目标可能存在重复检测的情况，这样会输出许多相似的预测边界框。为了使最后的预测结果更简洁，我们需要去除相似的预测边界框，筛选出预测效果最好的框。本文采用Soft-NMS算法进行预测边框过滤。Soft-NMS算法不会将这些框过滤而是通过函数变换，用稍低的分数替换原有分数。Soft-NMS算法如式（1）所示：

3无人机目标跟踪

KCF算法中，以前一帧目标的位置信息作为下一帧目标跟踪区域扩展和采样的中心，这样即认为下一帧目标出现的位置总在扩展后的区域内，但事实却并非如此，被跟踪目标一直处于运动的状态，所以前一帧和下一帧总存在一定的位移，这就是跟踪误差产生的原因，随着帧数的增多，误差也会一点点增大，最终会跟丢目标，因而本文采用了基于运动预测的跟踪算法。检测示意图如图2所示。

首先预测运动的方向：将当前帧和前一帧的位置进行连线，根据连线的方向和运动趋势预测下一帧目标的运动方向，通过计算得到预测的位置。

4仿真实验和结果分析

4.1实验环境

从硬件和软件两个方面列举说明本文的实验环境，具体如表2和表3所示，其他依赖函数库省略不列举。

4.2实验数据集处理

无人机目标检测的样本是包含目标位置和类别信息的图像集。样本收集后通过图像增强等方法使照片数量达到约9700张，采用手动人工标注的方式，使用Labellmg工具按照PASCAL VOC数据集的标签格式（.xml）对预处理后的照片进行手动标记，并设置标签为“uav”。

4.3评价指标

为了更好地对算法的性能进行评估，本文选用目前常用的目标检测评价标准分别是：平均精度均值（mAP），召回率（Recall）和检测速度。而精度均值是测试集中每一类别检测准确率（Precision）的平均值。

公式（2）中：TP为被模型正确预测出的样本数，FP为被模型错误预测出的样本数，TP+FP为总的样本数。AP的计算公式如式（3）所示。

公式（3）中：∑Precision，为所有样本检测某一类别准确率的总和，N为所有包含该类别的总样本数。而mAP是对所有类别的AP取平均值。则mAP的计算公式如式（4）所示：

4.4实验结果分析

样本收集后通过图像增强等方法处理后获得的无人机照片约9700张，本文按照无人机标注框的大小从整体数据集中划分出小目標、中目标两个部分的子数据集用于对改进后的模型进行检测。小目标和中目标的照片分别如图3中（a）（b）所示。

改进后的模型在整体数据集以及各子数据集上的AP如表3所示。

由表3可以看出，在原YOLOv3的基础上对网络模型和预测框筛选设计算法进行改进后，在整体无人机数据集上的AP提升了1.54%，达到了较好的实验效果。本文在原结构基础上增加了第四个尺度用于对小目标进行检测，改进后的模型在小目标和中目标数据集上的AP分别提升了1. 96%和2.21%，试验结果表明改进后模型在无人机检测性能上得到很大提升。图4为改进后KCF跟踪效果与原KCF跟踪效果的对比图。图4（a）和图4（b）表明由于运动目标比较小且运动速度过快，导致KCF算法没有实现有效跟踪，出现了位置偏差，而图4（c）和（d）所示，在同样的情况下改进后的算法实现了对目标的有效跟踪，跟踪效果不错。

结语

本文介绍了无人机目标检测系统，在原YOLOv3的基础上对网络结构和预测框筛选算法两方面进行了改进，增加了用于小目标检测的第四个尺度，预测框筛选算法采用Soft-NMS代替了原来的NMS算法;采用KCF跟踪算法对识别后无人机进行跟踪。试验结果表明改进后的模型在无人机的识别检测性能上得到了较大提高。同时，改进后的KCF跟踪算法可以对目标进行有效跟踪，完成了跟踪任务。

作者简介：睢丙东（1963— ），男，教授，研究方向：智能仪器仪表、计算机测控。

*通讯作者：苗林星（1990— ），女，硕士，研究方向：图像处理、无人机识别;于国庆（1969— ），男，副教授，硕士研究生导师，研究方向：计算机测控、电子信息技术应用。