[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115424072A - 一种基于探测技术的无人机防御方法 - Google Patents

一种基于探测技术的无人机防御方法 Download PDF

Info

Publication number
CN115424072A
CN115424072A CN202211082837.6A CN202211082837A CN115424072A CN 115424072 A CN115424072 A CN 115424072A CN 202211082837 A CN202211082837 A CN 202211082837A CN 115424072 A CN115424072 A CN 115424072A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
vehicle target
sequence
defense
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
Application number
CN202211082837.6A
Other languages
English (en)
Other versions
CN115424072B (zh
Inventor
折永刚
李春艳
折云岗
王宇
李伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ordos Shida Technology Co ltd
Original Assignee
Ordos Shida Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ordos Shida Technology Co ltd filed Critical Ordos Shida Technology Co ltd
Priority to CN202211082837.6A priority Critical patent/CN115424072B/zh
Publication of CN115424072A publication Critical patent/CN115424072A/zh
Application granted granted Critical
Publication of CN115424072B publication Critical patent/CN115424072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于探测技术的无人机防御方法，本发明提供了一种基于探测技术的无人机防御方法，包括：获取无人机目标图像数据集，作为训练集；将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；获取到包含疑似无人机目标的图像；将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，获取无人机轨迹序列；将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，实现无人机防御；本发明方法实现了无人机目标图像采集、检测，预测未来的轨迹，根据预测的轨迹实现防御，精准且高效。

Description

一种基于探测技术的无人机防御方法
技术领域
本发明涉及无人机领域，特别是指一种基于探测技术的无人机防御方法。
背景技术
近年来，无人机技术不断进步与完善，在军民领域都得到了广泛应用。然而，频频发生且影响广泛的“黑飞”与滥用现象，引发了对低空无人机进行反制与干扰的热点研究。
目前，关于反无人机技术主要分为三类：干扰阻断类，主要通过信号干扰，声波干扰等技术来实现。直接摧毁类，包括使用激光，用无人机反制无人机等。监测控制类，主要通过劫持无线电控制等方式实现。
但现有技术中仍没有一套完整有效的无人机防御方法。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于探测技术的无人机防御方法，实现了从无人机目标图像采集到检测，获取飞行轨迹序列并进一步预测未来的轨迹，最终根据预测的轨迹精准地实现防御，一整套完整的无人机防御方法，精准且高效。
一种基于探测技术的无人机防御方法，包括如下步骤：
获取无人机目标图像数据集，并通过背景像素替换对数据集增强，得到增强后的无人机目标图像数据集，作为训练集；
将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；所述无人机目标检测模型具以VGG16结构为基础骨干网络，过在VGG16中选取，以及在网络后增加多个的卷积层来获取不同尺度的特征图；
雷达捕获到疑似无人机目标信息，得到的目标雷达图，根据目标雷达图,通过RGB相机，获取到包含疑似无人机目标的图像；
将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，得到无人机目标位置，根据多个无人机目标位置，获取无人机轨迹序列；
将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；
根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，实现无人机防御。
具体地，获取无人机目标图像数据集，并通过背景像素替换对数据集增强，所述背景像素替换具体为：
首先从包含无人机目标的图像中提取无人机目标，再根据不含无人机目标的天空背景像素进行背景像素替换，并随机旋转一定角度,通过高斯滤波方法对图像进行平滑，得到新的数据集。
具体地，将训练集输出无人机目标检测模型进行训练，其中损失函数包括定位损失函数和分类损失函数，具体为：
Figure BDA0003833944870000021
Figure BDA0003833944870000022
Figure BDA0003833944870000023
Figure BDA0003833944870000024
Figure BDA0003833944870000025
其中，
Figure BDA0003833944870000026
是第i个预测框与第j个真实框关于类别k是否匹配，值为0或1；
Figure BDA0003833944870000027
是预测框位置与大小；
Figure BDA0003833944870000028
是真实框位置与大小；
Figure BDA0003833944870000029
是预测框与真实框关于类别p匹配；
Figure BDA00038339448700000210
是类别为p的预测值，N为预测框的个数,cx预测框起始点的横坐标，cy预测框起始点的纵坐标，w预测框的宽，h预测框的高；m取值为cx、cy、w、h。
具体地，所述将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列，具体包括：
将时刻t无人机轨迹序列输入LSTM结构中，通过sigmoid函数进行处理，结合上一时间节点中LSTM单元的输出，以及当前时间节点的输入值，通过设定的输入门的权重参数矩阵，并加上输入门的阈值；
遗忘门将时刻t无人机轨迹序列作为输入，加上上一时刻隐藏层的输出；
输出层接收来自隐藏层训练产生的数据，得到无人机轨迹预测输出序列。
本发明实施例另一方面提供一种基于探测技术的无人机防御系统，包括如下：
训练集获取单元：训练集获取单元获取无人机目标图像数据集，并通过背景像素替换对数据集增强，得到增强后的无人机目标图像数据集，作为训练集；
模型训练单元：将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；所述无人机目标检测模型具以VGG16结构为基础骨干网络，过在VGG16中选取，以及在网络后增加多个的卷积层来获取不同尺度的特征图；
检测图像获取单元：雷达捕获到疑似无人机目标信息，得到的目标雷达图，根据目标雷达图,通过RGB相机，获取到包含疑似无人机目标的图像；
轨迹序列获取单元：将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，得到无人机目标位置，根据多个无人机目标位置，获取无人机轨迹序列；
轨迹预测单元：将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；
防御单元：根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，实现无人机防御。
具体地，所述训练集获取单元中，获取无人机目标图像数据集，并通过背景像素替换对数据集增强，所述背景像素替换具体为：
首先从包含无人机目标的图像中提取无人机目标，再根据不含无人机目标的天空背景像素进行背景像素替换，并随机旋转一定角度,通过高斯滤波方法对图像进行平滑，得到新的数据集。
具体地，所述模型训练单元中，将训练集输出无人机目标检测模型进行训练，其中损失函数包括定位损失函数和分类损失函数，具体为：
Figure BDA0003833944870000041
Figure BDA0003833944870000042
Figure BDA0003833944870000043
Figure BDA0003833944870000044
Figure BDA0003833944870000045
其中，
Figure BDA0003833944870000046
是第i个预测框与第j个真实框关于类别k是否匹配，值为0或1；
Figure BDA0003833944870000047
是预测框位置与大小；
Figure BDA0003833944870000048
是真实框位置与大小；
Figure BDA0003833944870000049
是预测框与真实框关于类别p匹配；
Figure BDA00038339448700000410
是类别为p的预测值，N为预测框的个数,cx预测框起始点的横坐标，cy预测框起始点的纵坐标，w预测框的宽，h预测框的高；m取值为cx、cy、w、h。
具体地，所述轨迹预测单元中，将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列，具体包括：
将时刻t无人机轨迹序列输入LSTM结构中，通过sigmoid函数进行处理，结合上一时间节点中LSTM单元的输出，以及当前时间节点的输入值，通过设定的输入门的权重参数矩阵，并加上输入门的阈值；
遗忘门将时刻t无人机轨迹序列作为输入，加上上一时刻隐藏层的输出；
输出层接收来自隐藏层训练产生的数据，得到无人机轨迹预测输出序列。
本发明实施例再一方面提供一种电子设备，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时可以实现上述一种基于探测技术的无人机防御方法步骤。
本发明实施例又一方面提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述可以实现上述一种基于探测技术的无人机防御方法步骤。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明提供了一种基于探测技术的无人机防御方法，包括：获取无人机目标图像数据集，并通过背景像素替换对数据集增强，得到增强后的无人机目标图像数据集，作为训练集；将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；所述无人机目标检测模型具以VGG16结构为基础骨干网络，过在VGG16中选取，以及在网络后增加多个的卷积层来获取不同尺度的特征图；雷达捕获到疑似无人机目标信息，得到的目标雷达图，根据目标雷达图,通过RGB相机，获取到包含疑似无人机目标的图像；将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，得到无人机目标位置，根据多个无人机目标位置，获取无人机轨迹序列；将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，实现无人机防御；本发明方法实现了从无人机目标图像采集到检测，获取飞行轨迹序列并进一步预测未来的轨迹，最终根据预测的轨迹精准地实现防御，一整套完整的无人机防御方法，精准且高效。
附图说明
图1本发明实施例提供的一种基于探测技术的无人机防御方法流程图；
图2为本发明实施例提供的背景像素替换方法示意图；
图3为本发明实施例提供的无人机目标检测模型检测实现流程图；
图4为本发明实施例提供的LSTM结构结构图；
图5为本发明实施例提供的一种基于探测技术的无人机防御系统架构图；
图6为本发明实施例提供的一种电子设备示意图；
图7为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明采用如下技术方案：
如图1，一种基于探测技术的无人机防御方法流程图，包括如下步骤：
S101：获取无人机目标图像数据集，并通过背景像素替换对数据集增强，得到增强后的无人机目标图像数据集，作为训练集；
具体地，获取无人机目标图像数据集，并通过背景像素替换对数据集增强，所述背景像素替换具体为：
首先从包含无人机目标的图像中提取无人机目标，再根据不含无人机目标的天空背景像素进行背景像素替换，并随机旋转一定角度,通过高斯滤波方法对图像进行平滑，得到新的数据集。如图2为本发明实施例提供的背景像素替换方法示意图；与真实无人机目标图像相比，通过背景像素替换后生成的无人机目标图像视觉相似性较高，生成图像与真实图像具有相似的特征，可以通过目标迁移的方法增加数据集的多样性，提高模型泛化能力。
S102：将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；所述无人机目标检测模型具以VGG16结构为基础骨干网络，过在VGG16中选取，以及在网络后增加多个的卷积层来获取不同尺度的特征图；
目标检测SSD模型以VGG16结构为基础骨干网络，通过在VGG16中选取,以及在网络后增加更多的卷积层来获取不同尺度的特征图对目标做出预测。模型输入300×300图像，经过卷积神经网络一共选取了6个不同大小的特征图，大小分别为(38,38)，(19,19),(10,10)，(5,5)，(3,3)，(1,1)，每层特征图中锚点对应先验框的数目分别为4，6，6，6，4，4个，图3为本发明实施例提供的无人机目标检测模型检测实现流程图；所以最终对每类目标输出8732个预测值，通过非极大值抑制得到最终的结果。
具体地，将训练集输出无人机目标检测模型进行训练，其中损失函数包括定位损失函数和分类损失函数，具体为：
Figure BDA0003833944870000071
Figure BDA0003833944870000072
Figure BDA0003833944870000073
Figure BDA0003833944870000074
Figure BDA0003833944870000075
其中，
Figure BDA0003833944870000076
是第i个预测框与第j个真实框关于类别k是否匹配，值为0或1；
Figure BDA0003833944870000077
是预测框位置与大小；
Figure BDA0003833944870000078
是真实框位置与大小；
Figure BDA0003833944870000079
是预测框与真实框关于类别p匹配；
Figure BDA00038339448700000710
是类别为p的预测值，N为预测框的个数，cx预测框起始点的横坐标，cy预测框起始点的纵坐标，w预测框的宽，h预测框的高；m取值为cx、cy、w、h。
S103：雷达捕获到疑似无人机目标信息，得到的目标雷达图，根据目标雷达图，通过RGB相机，获取到包含疑似无人机目标的图像；
首先通过雷达对2km低空范围内入侵的可疑目标进行实时监控，当可疑目标进入1km范围可以探测到无人机目标通信信号，得到的目标雷达图，雷达图中包含目标位置、高度以及速度等信息，此时，旋转RGB相机设备的云台，并对设备进行变焦对焦，获取到包含疑似无人机目标的画面。
S104：将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，得到无人机目标位置，根据多个无人机目标位置，获取无人机轨迹序列；
S105：将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；
具体地，所述将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列，具体包括：
将时刻t无人机轨迹序列输入LSTM结构中，图4为本发明实施例提供的LSTM结构结构图；通过sigmoid函数进行处理，结合上一时间节点中LSTM单元的输出，以及当前时间节点的输入值，通过设定的输入门的权重参数矩阵，并加上输入门的阈值；
其中，时刻t无人机轨迹序列，et＝[e1,e2,e3......en]；
it＝σ(Wxiet+Whiht-1+bi)；
其中，bi为输入门的阈值，Wxi输入门的权重参数矩阵，ht-1隐藏层上一单元的输出结果，Whi为输入门上一层输出结果的权重参数矩阵，σ为sigmoid激活函数；it为输入门；
遗忘门将时刻t无人机轨迹序列作为输入，加上上一时刻隐藏层的输出；
ft＝σ(Wxfet+Whfht-1+bf)；
其中，bf为遗忘门的阈值，Wxf遗忘门的权重参数矩阵，ht-1隐藏层上一单元的输出结果，Whf为遗忘门上一层输出结果的权重参数矩阵，ft为遗忘门，
输出层接收来自隐藏层训练产生的数据，得到无人机轨迹预测输出序列。
Ot＝σ(Wxoet+Whoht-1+bo)；
其中，bo为遗忘门的阈值，Wxo输出门的权重参数矩阵，ht-1隐藏层上一单元的输出结果，Who为输出门上一层输出结果的权重参数矩阵，Ot为输出门，
yt＝σ(Whyht+Whyht+by)；ht＝Ot·tanh(ft)
其中，yt为轨迹预测输出序列，Why为预测权重，by为预测阈值，·为点乘，tanh为tanh激活函数。
S106：根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，实现无人机防御。
通过定点发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，即是飞行的原速度矢量变为合成后的速度矢量，无人机的航向以及速度发生的偏移，远离了原有的航向，实现了无人机防御。
如图5为本发明实施例提供的一种基于探测技术的无人机防御系统架构图；包括如下：
训练集获取单元501：训练集获取单元获取无人机目标图像数据集，并通过背景像素替换对数据集增强，得到增强后的无人机目标图像数据集，作为训练集；
具体地，获取无人机目标图像数据集，并通过背景像素替换对数据集增强，所述背景像素替换具体为：
首先从包含无人机目标的图像中提取无人机目标，再根据不含无人机目标的天空背景像素进行背景像素替换，并随机旋转一定角度,通过高斯滤波方法对图像进行平滑，得到新的数据集。如图2为本发明实施例提供的背景像素替换方法示意图；与真实无人机目标图像相比，通过背景像素替换后生成的无人机目标图像视觉相似性较高，生成图像与真实图像具有相似的特征，可以通过目标迁移的方法增加数据集的多样性，提高模型泛化能力。
模型训练单元502：将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；所述无人机目标检测模型具以VGG16结构为基础骨干网络，过在VGG16中选取，以及在网络后增加多个的卷积层来获取不同尺度的特征图；
目标检测SSD模型以VGG16结构为基础骨干网络，通过在VGG16中选取,以及在网络后增加更多的卷积层来获取不同尺度的特征图对目标做出预测。模型输入300×300图像，经过卷积神经网络一共选取了6个不同大小的特征图，大小分别为(38,38)，(19,19),(10,10)，(5,5)，(3,3)，(1,1)，每层特征图中锚点对应先验框的数目分别为4，6，6，6，4，4个，图3为本发明实施例提供的无人机目标检测模型检测实现流程图；所以最终对每类目标输出8732个预测值，通过非极大值抑制得到最终的结果。
具体地，将训练集输出无人机目标检测模型进行训练，其中损失函数包括定位损失函数和分类损失函数，具体为：
Figure BDA0003833944870000101
Figure BDA0003833944870000102
Figure BDA0003833944870000103
Figure BDA0003833944870000104
Figure BDA0003833944870000105
其中，
Figure BDA0003833944870000106
是第i个预测框与第j个真实框关于类别k是否匹配，值为0或1；
Figure BDA0003833944870000107
是预测框位置与大小；
Figure BDA0003833944870000108
是真实框位置与大小；
Figure BDA0003833944870000109
是预测框与真实框关于类别p匹配；
Figure BDA00038339448700001010
是类别为p的预测值，N为预测框的个数，cx预测框起始点的横坐标，cy预测框起始点的纵坐标，w预测框的宽，h预测框的高；m取值为cx、cy、w、h。
检测图像获取单元503：雷达捕获到疑似无人机目标信息，得到的目标雷达图，根据目标雷达图,通过RGB相机，获取到包含疑似无人机目标的图像；
首先通过雷达对2km低空范围内入侵的可疑目标进行实时监控，当可疑目标进入1km范围可以探测到无人机目标通信信号，得到的目标雷达图，雷达图中包含目标位置、高度以及速度等信息，此时，旋转RGB相机设备的云台，并对设备进行变焦对焦，获取到包含疑似无人机目标的画面。
轨迹序列获取单元504：将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，得到无人机目标位置，根据多个无人机目标位置，获取无人机轨迹序列；
轨迹预测单元505：将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；
具体地，所述将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列，具体包括：
将时刻t无人机轨迹序列输入LSTM结构中，图4为本发明实施例提供的LSTM结构结构图；通过sigmoid函数进行处理，结合上一时间节点中LSTM单元的输出，以及当前时间节点的输入值，通过设定的输入门的权重参数矩阵，并加上输入门的阈值；
其中，时刻t无人机轨迹序列，et＝[e1,e2,e3……en]；
it＝σ(Wxiet+Whiht-1+bi)；
其中，bi为输入门的阈值，Wxi输入门的权重参数矩阵，ht-1隐藏层上一单元的输出结果，Whi为输入门上一层输出结果的权重参数矩阵，σ为sigmoid激活函数；it为输入门；
遗忘门将时刻t无人机轨迹序列作为输入，加上上一时刻隐藏层的输出；
ft＝σ(Wxfet+Whfht-1+bf)；
其中，bf为遗忘门的阈值，Wxf遗忘门的权重参数矩阵，ht-1隐藏层上一单元的输出结果，Whf为遗忘门上一层输出结果的权重参数矩阵，ft为遗忘门，
输出层接收来自隐藏层训练产生的数据，得到无人机轨迹预测输出序列。
Ot＝σ(Wxoet+Whoht-1+bo)；
其中，bo为遗忘门的阈值，Wxo输出门的权重参数矩阵，ht-1隐藏层上一单元的输出结果，Who为输出门上一层输出结果的权重参数矩阵，Ot为输出门，
yt＝σ(Whyht+Whyht+by)；ht＝Ot·tanh(ft)
其中，yt为轨迹预测输出序列，Why为预测权重，by为预测阈值，·为点乘，tanh为tanh激活函数。
防御单元506：根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，实现无人机防御。
通过定点发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，即是飞行的原速度矢量变为合成后的速度矢量，无人机的航向以及速度发生的偏移，远离了原有的航向，实现了无人机防御。
图6所示，本发明实施例提供了一种电子设备600，包括存储器610、处理器620及存储在存储器620上并可在处理器620上运行的计算机程序611，处理器620执行计算机程序611时实现本发明实施例提供的一种基于探测技术的无人机防御方法。
由于本实施例所介绍的电子设备为实施本发明实施例中所采用的设备，故而基于本发明实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍，只要本领域所属技术人员实施本发明实施例中的方法所采用的设备，都属于本发明所欲保护的范围。
请参阅图7，图7为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图7所示，本实施例提供了一种计算机可读存储介质700，其上存储有计算机程序711，该计算机程序711被处理器执行时实现本发明实施例提供的一种基于探测技术的无人机防御方法；
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明提供了一种基于探测技术的无人机防御方法，包括：获取无人机目标图像数据集，并通过背景像素替换对数据集增强，得到增强后的无人机目标图像数据集，作为训练集；将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；所述无人机目标检测模型具以VGG16结构为基础骨干网络，过在VGG16中选取，以及在网络后增加多个的卷积层来获取不同尺度的特征图；雷达捕获到疑似无人机目标信息，得到的目标雷达图，根据目标雷达图,通过RGB相机，获取到包含疑似无人机目标的图像；将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，得到无人机目标位置，根据多个无人机目标位置，获取无人机轨迹序列；将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，实现无人机防御；本发明方法实现了从无人机目标图像采集到检测，获取飞行轨迹序列并进一步预测未来的轨迹，最终根据预测的轨迹精准地实现防御，一整套完整的无人机防御方法，精准且高效。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均属于侵犯本发明保护范围的行为。

Claims (10)

1.一种基于探测技术的无人机防御方法，其特征在于，包括如下步骤：
获取无人机目标图像数据集，并通过背景像素替换对数据集增强，得到增强后的无人机目标图像数据集，作为训练集；
将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；所述无人机目标检测模型具以VGG16结构为基础骨干网络，过在VGG16中选取，以及在网络后增加多个的卷积层来获取不同尺度的特征图；
雷达捕获到疑似无人机目标信息，得到的目标雷达图，根据目标雷达图,通过RGB相机，获取到包含疑似无人机目标的图像；
将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，得到无人机目标位置，根据多个无人机目标位置，获取无人机轨迹序列；
将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；
根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，实现无人机防御。
2.根据权利要求1所述的一种基于探测技术的无人机防御方法，其特征在于，获取无人机目标图像数据集，并通过背景像素替换对数据集增强，所述背景像素替换具体为：
首先从包含无人机目标的图像中提取无人机目标，再根据不含无人机目标的天空背景像素进行背景像素替换，并随机旋转一定角度,通过高斯滤波方法对图像进行平滑，得到新的数据集。
3.根据权利要求1所述的一种基于探测技术的无人机防御方法，其特征在于，将训练集输出无人机目标检测模型进行训练，其中损失函数包括定位损失函数和分类损失函数，具体为：
Figure FDA0003833944860000011
Figure FDA0003833944860000021
Figure FDA0003833944860000022
Figure FDA0003833944860000023
Figure FDA0003833944860000024
其中，
Figure FDA0003833944860000025
是第i个预测框与第j个真实框关于类别k是否匹配，值为0或1；
Figure FDA0003833944860000026
是预测框位置与大小；
Figure FDA0003833944860000027
是真实框位置与大小；
Figure FDA0003833944860000028
是预测框与真实框关于类别p匹配；
Figure FDA0003833944860000029
是类别为p的预测值，N为预测框的个数,cx预测框起始点的横坐标，cy预测框起始点的纵坐标，w预测框的宽，h预测框的高；m取值为cx、cy、w、h。
4.根据权利要求1所述的一种基于探测技术的无人机防御方法，其特征在于，所述将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列，具体包括：
将时刻t无人机轨迹序列输入LSTM结构中，通过sigmoid函数进行处理，结合上一时间节点中LSTM单元的输出，以及当前时间节点的输入值，通过设定的输入门的权重参数矩阵，并加上输入门的阈值；
遗忘门将时刻t无人机轨迹序列作为输入，加上上一时刻隐藏层的输出；
输出层接收来自隐藏层训练产生的数据，得到无人机轨迹预测输出序列。
5.一种基于探测技术的无人机防御系统，其特征在于，包括如下：
训练集获取单元：训练集获取单元获取无人机目标图像数据集，并通过背景像素替换对数据集增强，得到增强后的无人机目标图像数据集，作为训练集；
模型训练单元：将训练集输出无人机目标检测模型进行训练，得到训练好的无人机目标检测；所述无人机目标检测模型具以VGG16结构为基础骨干网络，过在VGG16中选取，以及在网络后增加多个的卷积层来获取不同尺度的特征图；
检测图像获取单元：雷达捕获到疑似无人机目标信息，得到的目标雷达图，根据目标雷达图,通过RGB相机，获取到包含疑似无人机目标的图像；
轨迹序列获取单元：将包含疑似无人机目标的图像输入到训练好的无人机目标检测，进行无人机目标检测，得到无人机目标位置，根据多个无人机目标位置，获取无人机轨迹序列；
轨迹预测单元：将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列；
防御单元：根据无人机轨迹预测输出序列得出无人机在t时刻的轨迹点经纬度，并在该点处发送防御速度矢量指令，无人机接收到防御速度矢量指令，与原速度矢量进行合成，实现无人机防御。
6.根据权利要求1所述的一种基于探测技术的无人机防御系统，其特征在于，所述训练集获取单元中，获取无人机目标图像数据集，并通过背景像素替换对数据集增强，所述背景像素替换具体为：
首先从包含无人机目标的图像中提取无人机目标，再根据不含无人机目标的天空背景像素进行背景像素替换，并随机旋转一定角度,通过高斯滤波方法对图像进行平滑，得到新的数据集。
7.根据权利要求1所述的一种基于探测技术的无人机防御系统，其特征在于，所述模型训练单元中，将训练集输出无人机目标检测模型进行训练，其中损失函数包括定位损失函数和分类损失函数，具体为：
Figure FDA0003833944860000031
Figure FDA0003833944860000032
Figure FDA0003833944860000033
Figure FDA0003833944860000034
Figure FDA0003833944860000041
其中，
Figure FDA0003833944860000042
是第i个预测框与第j个真实框关于类别k是否匹配，值为0或1；
Figure FDA0003833944860000043
是预测框位置与大小；
Figure FDA0003833944860000044
是真实框位置与大小；
Figure FDA0003833944860000045
是预测框与真实框关于类别p匹配；
Figure FDA0003833944860000046
是类别为p的预测值，N为预测框的个数,cx预测框起始点的横坐标，cy预测框起始点的纵坐标，w预测框的宽，h预测框的高；m取值为cx、cy、w、h。
8.根据权利要求1所述的一种基于探测技术的无人机防御系统，其特征在于，所述轨迹预测单元中，将获取的无人机轨迹序列输入LSTM结构中，得到无人机轨迹预测输出序列，具体包括：
将时刻t无人机轨迹序列输入LSTM结构中，通过sigmoid函数进行处理，结合上一时间节点中LSTM单元的输出，以及当前时间节点的输入值，通过设定的输入门的权重参数矩阵，并加上输入门的阈值；
遗忘门将时刻t无人机轨迹序列作为输入，加上上一时刻隐藏层的输出；
输出层接收来自隐藏层训练产生的数据，得到无人机轨迹预测输出序列。
9.一种电子设备，其特征在于，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现权利要求1至4任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
CN202211082837.6A 2022-09-06 2022-09-06 一种基于探测技术的无人机防御方法 Active CN115424072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211082837.6A CN115424072B (zh) 2022-09-06 2022-09-06 一种基于探测技术的无人机防御方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211082837.6A CN115424072B (zh) 2022-09-06 2022-09-06 一种基于探测技术的无人机防御方法

Publications (2)

Publication Number Publication Date
CN115424072A true CN115424072A (zh) 2022-12-02
CN115424072B CN115424072B (zh) 2024-02-27

Family

ID=84202700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211082837.6A Active CN115424072B (zh) 2022-09-06 2022-09-06 一种基于探测技术的无人机防御方法

Country Status (1)

Country Link
CN (1) CN115424072B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953727A (zh) * 2023-03-15 2023-04-11 浙江天行健水务有限公司 一种絮体沉降速率检测方法、系统、电子设备及介质
CN115953704A (zh) * 2023-01-18 2023-04-11 北京理工大学 一种无人机探测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635793A (zh) * 2019-01-31 2019-04-16 南京邮电大学 一种基于卷积神经网络的无人驾驶行人轨迹预测方法
CN111832509A (zh) * 2020-07-21 2020-10-27 中国人民解放军国防科技大学 一种时空注意力机制的无人机弱小目标探测方法
CN112068111A (zh) * 2020-08-13 2020-12-11 中国人民解放军海军工程大学 一种基于多传感器信息融合的无人机目标侦测方法
CN113569650A (zh) * 2021-06-29 2021-10-29 上海红檀智能科技有限公司 一种基于电力杆塔标牌识别的无人机自主巡检定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635793A (zh) * 2019-01-31 2019-04-16 南京邮电大学 一种基于卷积神经网络的无人驾驶行人轨迹预测方法
CN111832509A (zh) * 2020-07-21 2020-10-27 中国人民解放军国防科技大学 一种时空注意力机制的无人机弱小目标探测方法
CN112068111A (zh) * 2020-08-13 2020-12-11 中国人民解放军海军工程大学 一种基于多传感器信息融合的无人机目标侦测方法
CN113569650A (zh) * 2021-06-29 2021-10-29 上海红檀智能科技有限公司 一种基于电力杆塔标牌识别的无人机自主巡检定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘佳铭: "基于深度卷积神经网络的无人机识别方法研究", 《舰船电子工程》, pages 22 - 26 *
杨星鑫: "基于LSTM 的无人机轨迹识别技术研究", 《研究与开发》, pages 210 - 195 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953704A (zh) * 2023-01-18 2023-04-11 北京理工大学 一种无人机探测方法
CN115953704B (zh) * 2023-01-18 2023-10-03 北京理工大学 一种无人机探测方法
CN115953727A (zh) * 2023-03-15 2023-04-11 浙江天行健水务有限公司 一种絮体沉降速率检测方法、系统、电子设备及介质
CN115953727B (zh) * 2023-03-15 2023-06-09 浙江天行健水务有限公司 一种絮体沉降速率检测方法、系统、电子设备及介质

Also Published As

Publication number Publication date
CN115424072B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN103259962B (zh) 一种目标追踪方法和相关装置
CN109871763B (zh) 一种基于yolo的特定目标跟踪方法
CN111598182B (zh) 训练神经网络及图像识别的方法、装置、设备及介质
CN111723693B (zh) 一种基于小样本学习的人群计数方法
CN108885699A (zh) 字符识别方法、装置、存储介质及电子设备
CN112068111A (zh) 一种基于多传感器信息融合的无人机目标侦测方法
CN115424072B (zh) 一种基于探测技术的无人机防御方法
EP3690744B1 (en) Method for integrating driving images acquired from vehicles performing cooperative driving and driving image integrating device using same
CN111783551B (zh) 基于贝叶斯卷积神经网络的对抗样本防御方法
CN110136162B (zh) 无人机视角遥感目标跟踪方法及装置
CN113191318B (zh) 目标检测方法、装置、电子设备及存储介质
Xie et al. Adaptive switching spatial-temporal fusion detection for remote flying drones
Khan et al. Safespace mfnet: Precise and efficient multifeature drone detection network
CN111260687A (zh) 一种基于语义感知网络和相关滤波的航拍视频目标跟踪方法
CN113505643B (zh) 违章目标物检测方法及相关装置
CN115641507A (zh) 基于自适应多层级融合的遥感图像小尺度面目标检测方法
CN117854039A (zh) 面向车辆目标检测模型的对抗样本生成方法和端到端对抗训练系统
Balachandran et al. A novel approach to detect unmanned aerial vehicle using Pix2Pix generative adversarial network
Misbah et al. Tf-net: Deep learning empowered tiny feature network for night-time uav detection
CN111881982A (zh) 一种无人机目标识别方法
CN113792806B (zh) 一种对抗补丁生成方法
CN115630361A (zh) 一种基于注意力蒸馏的联邦学习后门防御方法
CN116797628A (zh) 一种多尺度的无人机航拍目标跟踪方法和装置
CN109669180B (zh) 一种连续波雷达无人机检测方法
CN118313416B (zh) 一种对抗样本攻击与后门攻击协同对抗的攻击方法及装置

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