基于深度学习以及目标运动轨迹的无人机识别方法分析.pdfVIP

JISUANJIKEXUEYUJISHU2025年第6期/数字技术与应用

计算机科学与技术JISUANJIKEXUEYUJISHU

基于深度学习以及目标运动轨迹的

无人机识别方法分析

■国静萍陈千

本文提出一种融合深度学习与目标运动轨迹的广泛，其通过对深层次的人工神经网络处理大规

无人机识别方法，旨在提高对无人机的识别准确性模数据以提取相关特征信息，已成为无人机智能

和效率。该方法通过获取摄像机或其他视觉传感识别的核心技术。目标识别作为计算机视觉领域

器拍摄无人机的视频数据，首先，根据YOLOv3目的重要概念，其本质是寻找图像或者视频中目标

标检测网络初步识别潜在的无人机候选目标；其的确切位置及其类别，通过目标检测可以确定照

次，分析目标检测网络获取的候选框，并计算每片中的无人机位置及提取相关信息。基于此，通

一个候选框在该时间点前的一系列目标检测框生过监控无人机活动轨迹，可实现目标身份鉴别与

成的轨迹参数，主要包括速度、方向、加速度；行为目的判断，为无人机监管提供关键决策依据。

最后，将候选框与其对应的轨迹参数一同纳入目无人机识别方法原理如图1所示，该技术主

标重检测网络，基于目标重检测网络的输出结要利用相机、雷达等设备收集无人机的相关图片

果，获取最终识别出的无人机位置。实验结果表信息或者雷达信号，经数据预处理与特征优化提

明，本文方法通过充分考虑潜在无人机目标以及升输入数据表征质量，使得此数据在用于后续数

相应的轨迹参数，能够更准确地识别出无人机。值计算阶段时具有较高的精度。基于深度学习框

架构建无人机鉴别模型，选用卷积神经网络（CNN）

随着无人机技术的迅速发展，其已被广泛应作为核心模型，其层级化特征提取机制可自适应

用于公共服务等领域，同时其监管体系也逐渐面挖掘无人机图像的空间特征（如轮廓、纹理、颜

临严峻的技术挑战与安全风险。在此背景下，构色特性）及雷达信号的相关特征。通过时序跟踪

建具备高精度识别与智能管控能力的无人机监管算法解析目标在连续帧间的运动学参数（如无人

体系已成为维护国家和个人安全的重要环节。目机速度、加速度、方向等），构建动态运动特征

前使用较为普遍的有两种识别方法：一种是以支

S1

持向量机(SVM)分类器为基础的识别方法，该方获取无人机视频数据

法是从无人机的图片中提取出其特征后用SVM分

类器进行识别；另一种是以无人机通信信号特性S2

为基础的识别方法，即通过对无人机通信信号的初步识别无人机候选目标

特性进行分析来实现对无人机的识别。然而，这

S3

些方法均存在着识别准确率低、响应时间过长的分析候选目标运动轨迹

弊端，因此针对现有无人机目标识别技术存在的

缺陷，本文提出了一种基于深度学习与目标运动S4