阅读前，请伸出您的贵手点击一下关注，希望能给您带来不一样的阅读体验，可以在评论区进行讨论和分享哦感谢您的支持！
文|考古探今
编辑|考古探今
简介
空中无人机（UAV）识别的问题，集中在传感区域中可能发生的物体，以及无人机本身。
无人机的基本视觉属性之一是它的形状，每种类型的无人机，无论是三轴飞行器还是到八轴飞行器，在其类别中看起来都非常相似，并无任何违和感。
三轴飞行器具有等边三角形的形状，四轴飞行器的形状为正方形等，此外每架无人机，都由具有自己视觉特征的刚性结构组成，这种结构通常包括中间控制板的存储空间。
根据螺旋桨的数量，从三到八个臂，每个臂都由悬挂螺旋桨的电机完成，这是基本的无人机外观图案，几乎可用于每架无人机。
一个例外可能是纳米和迷你类别的无人机，其中螺旋桨和电机，可以直接安装在参考无人机的中心面板上。
这些机器的主要优点之一是延长了电池寿命，这使得这种无人机类型能够在空中运行更长的时间，并且还可以飞得更高。
一些固定翼无人机，以及多旋翼模型可以从地面起飞，但大多数只能在运动期间起飞并保持在空中。
还有另一种类型的无人机，在尺寸、重量和最大可实现速度方面，与多旋翼型号不同，这些无人机被称为固定翼无人机。
由于其特性，它们通常用于环境和区域映射（可以进一步处理和生成三维数据），气象学或质量检查（一个有趣的例子是中描述的电线检查）。
固定翼无人机之所以适合上述应用，主要是因为它们的购买价格、维护和运行时间，另一个显著优势是它们的运行范围和飞行安全性。
使用多旋翼模型，具有更好的特定环境映射的可能性，主要优点包括更好地用于民用应用和简单的机动。
使用这些机器的增长趋势，将需要在未来进行一定的研究和监管，以确保它们的安全使用，而不会限制空域，交通流量和有效管理。
使用无人机将轮廓搜索应用于编辑后的图像
选择性搜索
查找图像中包含子区域最有效方法之一的，便是称为选择性搜索的算法，该算法基于三个主要假设：捕获图像中所有可能的比例-使用分层算法，选择性搜索尝试考虑对象的所有可能比例。
多样化-由于分析区域中的对象，会受到不同的变化（例如照明、阴影和其他变化）的影响，因此选择性搜索不使用统一的子区域搜索策略。
计算速度-由于子区域搜索步骤，只是对对象识别本身的准备，因此该算法旨在不会导致计算速度的任何降低，与支持向量机又有何关联？
使用无人机在图像中进行选择性搜索
支持向量机（SVM）
支持向量机（SVM）适用于将对象分配给它处，其功能基于将数据投影到多维空间中，SVM搜索并确定将数据拆分为组的平面。
例如如果存在维度为2500的特征向量，SVM会将该向量表示为，空间中维度为2500的点。
支持向量机（SVM）原理
在使用类似方法进行分类时，问题是叠加拆分数据，与其中一个类太接近，因此SVM寻求分隔符，以达到数据类之间的最大距离。
如果类是不可分离的，则使用所谓的非线性SVM，在这种情况下，数据被投影到一个多维空间中，在那里它们是可分离的。
级联分类器（类似哈尔的特征）
此分类器主要用于对稳定的对象进行分类，例如可以提到人体或人脸的形象，在大多数情况下，人体和面部的比例相同。
即总是有手、腿、头等，无人机形状分析表明，无人机不属于此类物体，使用Haar分类器识别对象有两个主要原因。
一个是类似Haar的特征，可以有效地描述感兴趣的区域，这是一项具有挑战性的任务，训练数据有限，如果将Haar特征与原始像素进行比较。
即场景可变性和场景照明变化，使用这种分类方法的第二个原因是它的速度，因为使用Haar特征被认为是非常有效的。
机器学习和神经网络
使用神经网络进行对象识别的主题非常复杂，为了将神经网络用于此目的，必须有足够大的数据集，来显示需要识别的对象。
一些使用神经网络的方法，还需要数据样本，其中不存在要识别的对象，神经网络将对象分配给类别的错误，用于更改神经元的权重。
以便在网络训练期间，网络的整体误差逐渐减小，这种类型的训练也称为误差传播算法，如果网络达到指定的错误阈值，则终止网络训练。
另一种可能性，是在达到预定的迭代次数后终止训练，但是此解决方案不会以任何方式考虑训练的全局误差。
张量流（TF）
TensorFlow（TF）是一个开源机器学习平台，用于广泛的应用，张量是向量和矩阵向潜在更高维度的推广。
TF将张量表示为，基本数据类型的n维坐标，该系统基于人工智能，由谷歌于2015年发布（免费使用）。
TF使用数据流图方法来表示计算，计算单位由图形节点表示，图的边缘在节点之间传输张量（多维数组）。
并表示计算消耗或产生的数据，该系统的优点是其架构，通过其灵活性，可以在各种平台上，轻松且经济地部署计算，例如多核处理器，图形卡或张量处理单元。
训练神经网络对对象进行分类，和识别需要大量的计算，TF的功能允许其用户在相对合理的时间内，执行计算复杂的任务。
使用计算机视觉方法进行无人机检测的检测程序，应满足以下要求和目标：识别图像中的运动物体，识别图像中的每个物体。
正确匹配前一帧中的物体，与图像中当前定位的物体，以及物体在场景中的路径绘制，由于这些原因，提出了使用计算机视觉的检测程序。
所提出的检测程序的基本方案
使用MoG（高斯混合）方法分割对象（背景为黑色）
下一步是在输入图像上应用过滤器，需要消除噪音并将其平滑，比较各个平滑方法，由于降噪效率高，使用了高斯滤波器，被认为是“最有用的”，尽管不是最快的。
轮廓搜索方法确定移动对象是否在图像中，使用矩形的轮廓边界方法，来勾勒移动物体，使用矩形移动由轮廓搜索方法限定的对象。
成功跟踪移动对象，需要了解前一帧中分割的对象，是否与当前帧中检测到的对象相同，如果只考虑一个对象，则可以忽略此问题，当然这种情况可能会发生，但有必要考虑到图像中，有许多对象的情况。
因此必须识别图像中的对象，并且要选择正确的方法，必须定义跟踪的对象，知道此信息后，可以定义标识符，标识符是清楚地描述所跟踪对象的信息。
即使在位置、照明条件或其他变化的情况下，跟踪的对象也必须在其他对象存在的情况下可追踪，此时局部要素适合定位，和描述图像中属于特定对象的区域，查找这些特征的过程包括检测这些特征并描述其周围环境。
成功跟踪移动对象需要了解前一帧中分割的对象，是否与当前帧中检测到的对象相同，如果只考虑一个对象，则可以忽略此问题。
使用矩形移动由轮廓搜索方法限定的对象
这种情况可能会发生，但有必要考虑到图像中有许多对象的情况，因此必须识别图像中的对象，并且要选择正确的方法，必须定义跟踪的对象，知道此信息后，可以定义标识符。
标识符是清楚地描述所跟踪对象的信息，即使在位置、照明条件或其他变化的情况下，跟踪的对象也必须在其他对象存在的情况下可追踪。
此时局部要素适合定位和描述图像中，属于特定对象的区域，查找这些特征的过程包括检测这些特征，并描述其周围环境。
开放计算机视觉（OpenCV）库中，提供了几个本地特征检测器，并已经过测试和分析，比较了以下检测器：尺度不变特征变换（SIFT），加速鲁棒特征（SURF），二进制鲁棒不变可扩展关键点（BRISK）。
测试用于评估特征检测器适用性的图像
创建其他必要的训练文件
为了成功训练模型，必须有足够的数据量，因此无人机图像，是从互联网上免费获得的来源收集的，他们的人数约为100人。
接下来，有必要为每个显示感兴趣对象（无人机）的图像创建注释，数据被拆分，因此80%的数据用于模型训练，其余20%用于测试，免费使用的LabelImg工具用于创建注释。
结论和未来工作
通过使用TensorFlow库，实现了多旋翼无人机的可靠检测机制，为此使用了“上下文中的常见对象数据集”。
并通过来自SafeShore数据集的1000个无人机样本进行了扩展，在最佳条件下的成功检测率达到97.3%。
可以得出结论，所提出的检测原理在所述测试案例中是成功的，经过训练的检测模型，在几乎所有测试场景中都取得了成功，仅当场景中具有来自另一个类的类似特征的对象时，才会出现问题。
检测模型的统计评估表明，在这种情况下，检出率仅为61.3%，此外根本不应该检测到这只鸟，因此使用了另一种检测模型，这个模型能够识别两类——无人机和鸟。
从实验中发现，如果探测器在几个物体上训练，检测会成功得多，从这一发现中，得出结论。
无人机检测中最大的问题，是具有相似性质的物体的出现，这些与无人机相当的物体可以包括鸟、飞机、降落伞或滑翔伞机翼，这些对象并不多。
因此可以使用足够大的数据集训练这样的检测模型，这样的探测器，可能比在两个班级中训练的探测器更成功。
另一方面，在两类中训练的探测器的97.3%的检测率，足以满足大多数基本安全应用的需求，所取得的成功和系统可靠性，可以与普通的人类观察者进行比较，对所有描述的数据和条件进行了测试。
在阅读此文后，烦请您关注+评论，方便剩下后续事件有新的进展能够让您迅速关注到 | 
窥视卡
雷达卡
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
