CN110398720A - 一种反无人机探测跟踪干扰***及光电跟踪***工作方法 - Google Patents
一种反无人机探测跟踪干扰***及光电跟踪***工作方法 Download PDFInfo
- Publication number
- CN110398720A CN110398720A CN201910773981.6A CN201910773981A CN110398720A CN 110398720 A CN110398720 A CN 110398720A CN 201910773981 A CN201910773981 A CN 201910773981A CN 110398720 A CN110398720 A CN 110398720A
- Authority
- CN
- China
- Prior art keywords
- target
- unmanned plane
- frame
- detection
- tracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/38—Jamming means, e.g. producing false echoes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种反无人机探测跟踪干扰***及光电跟踪***工作方法，其中，一种反无人机探测跟踪干扰***，包括雷达、光电跟踪***、无人机***和云台；光电跟踪***包括运动检测模块、相关滤波目标跟踪模块、深度学习目标检测模块和深度学习目标跟踪模块；雷达与所述光电跟踪***通讯连接；光电跟踪***与所述云台通讯连接。该反无人机探测跟踪干扰***，当目标距离较远，深度学习目标检测模块提取不到目标特征，用运动检测模块来进行目标检测；当目标距离较远，深度学习目标跟踪模块提取不到目标特征的情况下，采用相关滤波目标跟踪模块来进行目标跟踪；采用相关滤波目标跟踪模块的数据解决深度学习目标跟踪模块不能提供置信度的问题。
Description
技术领域
本发明涉及反无人机跟踪技术领域，特别涉及一种反无人机探测跟踪干扰***及光电跟踪***工作方法。
背景技术
在反无人机***中雷达负责搜索发现目标，光电***根据雷达提供的目标角度和距离数据控制云台镜头，完成目标的检测、锁定与跟踪任务，然后控制干扰设备发射干扰信号至目标无人机周围，直至无人机被驱离。传统的反无人机的***，包括雷达、光电跟踪装置、云台、卫星导航和遥控信号的干扰设备。雷达负责发现无人机目标并将目标角度和距离数据发送给光电跟踪装置；光电跟踪装置主要由目标检测与目标跟踪两大部分组成，目标检测模块根据雷达提供的目标角度数据控制云台将镜头指向目标区域，然后根据距离数据对目标区域进行聚焦成像，然后根据无人机的目标特征进行目标检测，在发现目标后自动或由人工锁定目标，将锁定目标的信息传递到目标跟踪模块；光电跟踪装置的跟踪模块在上一帧目标原位置周围区域进行特征提取，找到与目标特征匹配度最高位置并作为目标的新位置，然后将云台和镜头调整这个新位置，然后自动或者手动控制联动的干扰装置，向目标区域发射卫星导航和遥控干扰信号，直至无人机被驱离。目前采用传统目标检测和目标跟踪算法的光电***，在无人机悬停、遮挡和变形的情况下容易丢失目标；而基于深度学习技术的目标检测跟踪算法
对于简单场景下的完整目标具有良好的检测跟踪能力，对尺度变化、形变等具有较强的鲁棒性，能够解决无人机悬停、遮挡和变形问题，但是在距离较远、目标较小、目标特征不明显的情况下检测跟踪效果有待提高。因此有必要结合传统目标检测跟踪算法与深度学习目标检测跟踪算法各自的优点，设计一种能自动检测、锁定与跟踪的新型反无人机光电跟踪***。
发明内容
为解决背景技术提到的问题，本发明提供一种反无人机探测跟踪干扰***，包括雷达、光电跟踪***、无人机***和云台；
其中，所述光电跟踪***包括运动检测模块、相关滤波目标跟踪模块、深度学习目标检测模块和深度学习目标跟踪模块；
运动检测模块，用于远距离运动无人机的目标检测；
相关滤波目标跟踪模块，用于远距离运动无人机的目标跟踪；
深度学习目标检测模块,用于中、近距离无人机的目标检测；
深度学习目标跟踪模块，用于中、近距离无人机的目标跟踪；
所述探测雷达与所述光电跟踪***通讯连接；
所述光电跟踪***与所述云台通讯连接；
无人机***所述无人机***与所述光电跟踪***通讯连接。
进一步地，所述无人机***包括定位信道***与遥控信道***两部分。
进一步地，运动检测模块，包括前景提取、边缘提取、前景融合等算法。
进一步地，相关滤波目标跟踪模块，包括特征提取、模板更新、频域点乘等算法。
进一步地，深度学习目标检测模块,包括多个卷积层和多个全连接层，采用卷积网络来提取特征，然后使用全连接层来得到预测值。
进一步地，深度学习目标跟踪模块，包括多个卷积层和多个全连接层，采用两套卷积网络对前一帧与当前帧分别提取目标区域和搜索区域的特征，全连接层用于比较目标特征和搜索区域特征，输出新的目标位置。
本发明还提供一种反无人机探测跟踪干扰***工作方法，包括以下步骤：
S10、利用前景提取算子得到视频帧的运动的前景；
S20、利用边缘提取算子进行视频帧的前景边缘提取；
S30、将提取出的运动前景和边缘进行融合，得到当前视频帧的前景与目标框；
S40、利用训练好的卷积神经网络从视频帧中提取目标的类型、大小、位置与置信度；
S50、根据置信度是否大于阈值确定锁定的目标框数据；
S60、将评估过的目标经过手动或自动设为锁定目标；
S70、读取视频序列第一帧，提取目标的图像特征，根据核相关滤波目标跟踪算法训练得到KCF模板；
S80、读取下一帧图像，提取当前帧图像中潜在目标区域的图像特征，与KCF模板进行卷积，得到KCF响应图和跟踪KCF目标框；同时将当前帧图像输入到训练好的CNN网络中得到跟踪目标的CNN目标框；
S90、根据KCF响应图计算目标的旁瓣比PSR；
S100、若PSR大于算法阈值，则最终跟踪目标为KCF目标框；否则最终跟踪目标为为CNN目标框；
S110、若PSR大于第一更新阈值，则用KCF目标框更新CNN网络的输入；若PSR小于第二更新阈值，则用CNN目标框更新KCF模板，同时更新CNN网络的输入；否则采用KCF目标框。
S120、更新KCF模板，CNN目标框更新CNN网络的输入；
S130、重复S80～S120，直到视频图像序列结束。
与传统的传统反无人机***的结构相比，本发明具有如下特点：
1、采用深度学习与运动检测相结合的方式实现目标检测，在目标悬停状态下也能发现目标；
2、采用深度学习与核相关滤波相结合的方式实现目标跟踪，在目标遮挡和变形的情况下不会丢失目标；
3、在原有手动锁定的基础上增加了自动目标锁定功能，实现无人值守。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的反无人机探测跟踪干扰***的结构示意图；
图2为光电***的跟踪流程示意图；
图3为实施例的分析示意图；
图4为实施例的分析示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明提供一种反无人机探测跟踪干扰***，包括雷达、光电跟踪***和云台；
其中，所述光电跟踪***包括运动检测模块、相关滤波目标跟踪模块、深度学习目标检测模块和深度学习目标跟踪模块；
运动检测模块，用于远距离运动无人机的目标检测；
相关滤波目标跟踪模块，用于远距离运动无人机的目标跟踪；
深度学习目标检测模块,用于中、近距离无人机的目标检测；
深度学习目标跟踪模块，用于中、近距离无人机的目标跟踪；
所述雷达与所述光电跟踪***通讯连接；
所述光电跟踪***与所述云台通讯连接。
具体实施时，如图1所示，自动锁定跟踪光电***包括雷达、光电跟踪***和云台；
其中，光电跟踪***包括运动检测模块、相关滤波目标跟踪模块、深度学习目标检测模块和深度学习目标跟踪模块；
雷达与光电跟踪***通讯连接，雷达用于将目标的位置信号传送给光电跟踪***通讯连接；光电跟踪***通讯连将接收到的目标的位置信号进行分析；
光电跟踪***与云台通讯连接，光电跟踪***可以根据分析出的目标位置，调整云台的位置。
较佳地，自动锁定跟踪光电***还包括干扰装置；干扰装置与光电跟踪***通讯连接；干扰装置发出干扰信号驱逐目标。
如图2所示，本发明还提供一种反无人机探测跟踪干扰***工作方法，包括以下步骤：
S10、利用前景提取算子得到视频帧的运动的前景；
S20、利用边缘提取算子进行视频帧的前景边缘提取；
S30、将提取出的运动前景和边缘进行融合，得到当前视频帧的前景与目标框；
S40、利用训练好的卷积神经网络从视频帧中提取目标的类型、大小、位置与置信度；
S50、根据置信度是否大于阈值确定锁定的目标框数据；
S60、将评估过的目标经过手动或自动设为锁定目标；
S70、读取视频序列第一帧，提取目标的图像特征，根据核相关滤波目标跟踪算法训练得到KCF模板；
S80、读取下一帧图像，提取当前帧图像中潜在目标区域的图像特征，与KCF模板进行卷积，得到KCF响应图和跟踪KCF目标框；同时将当前帧图像输入到训练好的CNN网络中得到跟踪目标的CNN目标框；
S90、根据KCF响应图计算目标的旁瓣比PSR；
S100、若PSR大于算法阈值，则最终跟踪目标为KCF目标框；否则最终跟踪目标为为CNN目标框；
S110、若PSR大于第一更新阈值，则用KCF目标框更新CNN网络的输入；若PSR小于第二更新阈值，则用CNN目标框更新KCF模板，同时更新CNN网络的输入；否则采用KCF目标框。
S120、更新KCF模板，CNN目标框更新CNN网络的输入；
S130、重复S80～S120，直到视频图像序列结束。
实施例：
基于深度学习的目标检测模型如图3所示。首先，使用选择性搜索算法从当前帧图像中的区域提取适量候选区域。然后，将候选区域进行尺度归一化，并通过预训练的卷积层提取候选区域的目标特征表达，卷积层之后是全连接层，使用SVM作为分类器区分目标是否是无人机，并输出无人机的位置与置信度信息。
基于深度学***移、旋转、光照、遮挡或者变形，因此，全连接层实现的是一个复杂的回归函数，通过其之前学习过的众多样本，使得其对于多种因素均有较好的鲁棒性，并能够输出目标的相对运动。
具体地，使用的卷积层是Caffe Net的前五层卷积层和采样层。将这些卷积层的输出串联成为为一个整体向量，然后输入至3个全连接层，每层有4096个节点。最终，将最后一层全连接层与一个包含4个节点的输出层相连，这4个节点就代表着输出的矩形框，也就是无人机当前的位置。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种反无人机探测跟踪干扰***，其特征在于：包括雷达、光电跟踪***、无人机***和云台；
其中，所述光电跟踪***包括运动检测模块、相关滤波目标跟踪模块、深度学习目标检测模块和深度学习目标跟踪模块；
运动检测模块，用于远距离运动无人机的目标检测；
相关滤波目标跟踪模块，用于远距离运动无人机的目标跟踪；
深度学习目标检测模块,用于中、近距离无人机的目标检测；
深度学习目标跟踪模块，用于中、近距离无人机的目标跟踪；
所述探测雷达与所述光电跟踪***通讯连接；
所述光电跟踪***与所述云台通讯连接；
无人机***所述无人机***与所述光电跟踪***通讯连接。
2.根据权利要求1所述的反无人机探测跟踪干扰***，其特征在于：所述无人机***包括定位信道***与遥控信道***两部分。
3.根据权利要求1所述的反无人机探测跟踪干扰***，其特征在于：运动检测模块，包括前景提取、边缘提取、前景融合算法。
4.根据权利要求1所述的反无人机探测跟踪干扰***，其特征在于：相关滤波目标跟踪模块，包括特征提取、模板更新、频域点乘算法。
5.根据权利要求1所述的反无人机探测跟踪干扰***，其特征在于：深度学习目标检测模块,包括多个卷积层和多个全连接层，采用卷积网络来提取特征，然后使用全连接层来得到预测值。
6.根据权利要求1所述的反无人机探测跟踪干扰***，其特征在于：深度学习目标跟踪模块，包括多个卷积层和多个全连接层，采用两套卷积网络对前一帧与当前帧分别提取目标区域和搜索区域的特征，全连接层用于比较目标特征和搜索区域特征，输出新的目标位置。
7.一种光电跟踪***工作方法，其特征在于：包括以下步骤：
S10、利用前景提取算子得到视频帧的运动的前景；
S20、利用边缘提取算子进行视频帧的前景边缘提取；
S30、将提取出的运动前景和边缘进行融合，得到当前视频帧的前景与目标框；
S40、利用训练好的卷积神经网络从视频帧中提取目标的类型、大小、位置与置信度；
S50、根据置信度是否大于阈值确定锁定的目标框数据；
S60、将评估过的目标经过手动或自动设为锁定目标；
S70、读取视频序列第一帧，提取目标的图像特征，根据核相关滤波目标跟踪算法训练得到KCF模板；
S80、读取下一帧图像，提取当前帧图像中潜在目标区域的图像特征，与KCF模板进行卷积，得到KCF响应图和跟踪KCF目标框；同时将当前帧图像输入到训练好的CNN网络中得到跟踪目标的CNN目标框；
S90、根据KCF响应图计算目标的旁瓣比PSR；
S100、若PSR大于算法阈值，则最终跟踪目标为KCF目标框；否则最终跟踪目标为为CNN目标框；
S110、若PSR大于第一更新阈值，则用KCF目标框更新CNN网络的输入；若PSR小于第二更新阈值，则用CNN目标框更新KCF模板，同时更新CNN网络的输入；否则采用KCF目标框。
S120、更新KCF模板，CNN目标框更新CNN网络的输入；
S130、重复S80～S120，直到视频图像序列结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910773981.6A CN110398720B (zh) | 2019-08-21 | 2019-08-21 | 一种反无人机探测跟踪干扰***及光电跟踪***工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910773981.6A CN110398720B (zh) | 2019-08-21 | 2019-08-21 | 一种反无人机探测跟踪干扰***及光电跟踪***工作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110398720A true CN110398720A (zh) | 2019-11-01 |
| CN110398720B CN110398720B (zh) | 2024-05-03 |
Family
ID=68328884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910773981.6A Active CN110398720B (zh) | 2019-08-21 | 2019-08-21 | 一种反无人机探测跟踪干扰***及光电跟踪***工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110398720B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111121541A (zh) * | 2019-12-27 | 2020-05-08 | 江苏中戎帝晓曼安防科技有限公司 | 一种具有无线电干扰功能的反无人机雷达*** |
| CN111145217A (zh) * | 2019-12-27 | 2020-05-12 | 湖南华诺星空电子技术有限公司 | 一种基于kcf的无人机跟踪方法 |
| CN111323757A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种航海雷达目标检测方法及装置 |
| CN111323756A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种基于深度学习的航海雷达目标检测方法及装置 |
| CN111369589A (zh) * | 2020-02-26 | 2020-07-03 | 桂林电子科技大学 | 一种基于多策略融合的无人机跟踪方法 |
| CN111679257A (zh) * | 2019-12-30 | 2020-09-18 | 中国船舶集团有限公司 | 基于雷达探测数据的轻小型无人机目标识别方法及装置 |
| CN111932588A (zh) * | 2020-08-07 | 2020-11-13 | 浙江大学 | 一种基于深度学习的机载无人机多目标跟踪***的跟踪方法 |
| CN112485781A (zh) * | 2020-11-18 | 2021-03-12 | 济南和普威视光电技术有限公司 | 一种基于深度学习的反无人机无人值守***及方法 |
| CN112731918A (zh) * | 2020-11-30 | 2021-04-30 | 北京理工大学 | 一种基于深度学***台自主跟随*** |
| CN112945015A (zh) * | 2019-12-11 | 2021-06-11 | 杭州海康机器人技术有限公司 | 一种无人机监测***、方法、装置及存储介质 |
| CN115355764A (zh) * | 2022-09-02 | 2022-11-18 | 中交遥感载荷(江苏)科技有限公司 | 一种基于视觉的敌我目标识别的无人机对抗方法 |
| CN115562330A (zh) * | 2022-11-04 | 2023-01-03 | 哈尔滨工业大学 | 一种抑制类场风扰的无人机控制方法 |
| WO2024051574A1 (zh) * | 2022-09-06 | 2024-03-14 | 亿航智能设备（广州）有限公司 | 一种无人机目标跟踪方法、***、无人机云台及无人机 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190034734A1 (en) * | 2017-07-28 | 2019-01-31 | Qualcomm Incorporated | Object classification using machine learning and object tracking |
| CN109459750A (zh) * | 2018-10-19 | 2019-03-12 | 吉林大学 | 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法 |
| CN109859202A (zh) * | 2019-02-18 | 2019-06-07 | 哈尔滨工程大学 | 一种基于usv水面光学目标跟踪的深度学习检测方法 |
| CN210487967U (zh) * | 2019-08-21 | 2020-05-08 | 深圳耐杰电子技术有限公司 | 一种反无人机探测跟踪干扰*** |
-
2019
- 2019-08-21 CN CN201910773981.6A patent/CN110398720B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190034734A1 (en) * | 2017-07-28 | 2019-01-31 | Qualcomm Incorporated | Object classification using machine learning and object tracking |
| CN109459750A (zh) * | 2018-10-19 | 2019-03-12 | 吉林大学 | 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法 |
| CN109859202A (zh) * | 2019-02-18 | 2019-06-07 | 哈尔滨工程大学 | 一种基于usv水面光学目标跟踪的深度学习检测方法 |
| CN210487967U (zh) * | 2019-08-21 | 2020-05-08 | 深圳耐杰电子技术有限公司 | 一种反无人机探测跟踪干扰*** |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112945015A (zh) * | 2019-12-11 | 2021-06-11 | 杭州海康机器人技术有限公司 | 一种无人机监测***、方法、装置及存储介质 |
| CN112945015B (zh) * | 2019-12-11 | 2023-08-22 | 杭州海康威视数字技术股份有限公司 | 一种无人机监测***、方法、装置及存储介质 |
| CN111145217A (zh) * | 2019-12-27 | 2020-05-12 | 湖南华诺星空电子技术有限公司 | 一种基于kcf的无人机跟踪方法 |
| CN111121541A (zh) * | 2019-12-27 | 2020-05-08 | 江苏中戎帝晓曼安防科技有限公司 | 一种具有无线电干扰功能的反无人机雷达*** |
| CN111323757B (zh) * | 2019-12-30 | 2022-04-05 | 北京海兰信数据科技股份有限公司 | 一种航海雷达目标检测方法及装置 |
| CN111679257B (zh) * | 2019-12-30 | 2023-05-23 | 中国船舶集团有限公司 | 基于雷达探测数据的轻小型无人机目标识别方法及装置 |
| CN111323757A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种航海雷达目标检测方法及装置 |
| CN111323756A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种基于深度学习的航海雷达目标检测方法及装置 |
| CN111323756B (zh) * | 2019-12-30 | 2022-05-13 | 北京海兰信数据科技股份有限公司 | 一种基于深度学习的航海雷达目标检测方法及装置 |
| CN111679257A (zh) * | 2019-12-30 | 2020-09-18 | 中国船舶集团有限公司 | 基于雷达探测数据的轻小型无人机目标识别方法及装置 |
| CN111369589A (zh) * | 2020-02-26 | 2020-07-03 | 桂林电子科技大学 | 一种基于多策略融合的无人机跟踪方法 |
| CN111369589B (zh) * | 2020-02-26 | 2022-04-22 | 桂林电子科技大学 | 一种基于多策略融合的无人机跟踪方法 |
| CN111932588A (zh) * | 2020-08-07 | 2020-11-13 | 浙江大学 | 一种基于深度学习的机载无人机多目标跟踪***的跟踪方法 |
| CN111932588B (zh) * | 2020-08-07 | 2024-01-30 | 浙江大学 | 一种基于深度学习的机载无人机多目标跟踪***的跟踪方法 |
| CN112485781B (zh) * | 2020-11-18 | 2022-10-28 | 济南和普威视光电技术有限公司 | 一种基于深度学习的反无人机无人值守***及方法 |
| CN112485781A (zh) * | 2020-11-18 | 2021-03-12 | 济南和普威视光电技术有限公司 | 一种基于深度学习的反无人机无人值守***及方法 |
| CN112731918A (zh) * | 2020-11-30 | 2021-04-30 | 北京理工大学 | 一种基于深度学***台自主跟随*** |
| CN115355764A (zh) * | 2022-09-02 | 2022-11-18 | 中交遥感载荷(江苏)科技有限公司 | 一种基于视觉的敌我目标识别的无人机对抗方法 |
| WO2024051574A1 (zh) * | 2022-09-06 | 2024-03-14 | 亿航智能设备（广州）有限公司 | 一种无人机目标跟踪方法、***、无人机云台及无人机 |
| CN115562330A (zh) * | 2022-11-04 | 2023-01-03 | 哈尔滨工业大学 | 一种抑制类场风扰的无人机控制方法 |
| CN115562330B (zh) * | 2022-11-04 | 2023-08-22 | 哈尔滨工业大学 | 一种抑制类场风扰的无人机控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110398720B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110398720A (zh) | 一种反无人机探测跟踪干扰***及光电跟踪***工作方法 | |
| US10719940B2 (en) | Target tracking method and device oriented to airborne-based monitoring scenarios | |
| CN109800689B (zh) | 一种基于时空特征融合学习的目标跟踪方法 | |
| Craye et al. | Spatio-temporal semantic segmentation for drone detection | |
| CN107767405B (zh) | 一种融合卷积神经网络的核相关滤波目标跟踪方法 | |
| CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN109063559A (zh) | 一种基于改良区域回归的行人检测方法 | |
| CN110633632A (zh) | 一种基于循环指导的弱监督联合目标检测和语义分割方法 | |
| CN104050471A (zh) | 一种自然场景文字检测方法及*** | |
| CN108038415B (zh) | 一种基于机器视觉的无人机自动检测与跟踪方法 | |
| CN105654508B (zh) | 基于自适应背景分割的监控视频移动目标跟踪方法及*** | |
| CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
| CN104063885A (zh) | 一种改进的运动目标检测与跟踪方法 | |
| CN102034247A (zh) | 一种基于背景建模对双目视觉图像的运动捕捉方法 | |
| CN105740835A (zh) | 夜视环境下基于车载相机的前方车辆检测方法 | |
| CN103577832B (zh) | 一种基于时空上下文的人流量统计方法 | |
| CN111161309A (zh) | 一种车载视频动态目标的搜索与定位方法 | |
| CN113763427A (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
| CN103198491A (zh) | 室内的视觉定位方法 | |
| Xu et al. | Convolutional neural network based traffic sign recognition system | |
| CN112464933A (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
| CN104182976A (zh) | 一种野外运动目标精细化提取方法 | |
| CN115909110A (zh) | 一种基于Siamese网络的轻量级红外无人机目标跟踪方法 | |
| Elihos et al. | Deep learning based segmentation free license plate recognition using roadway surveillance camera images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |