CN106839881B - 一种基于动态图像识别的反无人机方法 - Google Patents

Abstract

本发明涉及民用无人机防御领域，特别涉及一种基于动态图像识别的反无人机方法，包括以下步骤：S1，建立无人机图像初始模板；S2，从所述监控图像中识别出无人机；S3，建立无人机图像动态模板，识别并跟踪无人机；S4，向无人机发射干扰信号。本发明提供的反无人机方法，采用无人机图像动态模板取代静态模板，图像识别采用实时动态模板，显著提高了无人机图像识别精度。

Description

一种基于动态图像识别的反无人机方法

技术领域

本发明涉及民用无人机防御领域，特别涉及一种基于动态图像识别的反无人机方法。

背景技术

随着无人机的制造成本不断下降、性能不断提升，无人机从军用和高端商用逐渐走向大众市场。无人机作为一种飞行载体，不同的人可以拿它做不同的事。既不能无限制地使用，也不能因为它有协助犯罪的潜力就完全禁止。无人机虽然有利于各种户外作业的需求，但从反恐和犯罪的角度讲，无人机的确可以变成极具危害性的航空武器，让人防不胜防，它们能够携带照相机、武器、有毒化学物质和爆炸物等，并可能被大量用于恐怖袭击、间谍行为和走私活动，如果管控不好将成为悬在人们头上的定时炸弹。

特别是近年来，无人机技术不断发展，无人机飞行速度和反应能力不断提高。无人机发现及识别是反无人机的第一步也是后续对无人机跟踪的关键，传统的无人机识别技术采用无人机静态图像建立固定无人机模板数据库，通过比对监控图像与无人机模板数据库识别无人机，进而对无人机进行有效跟踪。然而，对于高速飞行切姿态变化情况复杂的目标无人机，其在监控图像中的位置变化、形状变化、尺度变化明显，传统的无人机识别方案很难做到有效识别，识别率低，进而容易造成对无人机跟踪失败。根据需要对无人机实施反制措施是反无人机的根本目的，由于无人机飞行速度的提高传统的主动物理攻击方式，如发射捕获/拦截无人机的弹体装置等方式存在成功率随无人机飞行速度提高而降低的显著问题。此外，若捕获/拦截失败，弹体容易对周围设施造成连带损害。

另外一方面，无人机威胁多发生在天气条件复杂的情形或夜间时段，基于常规可视图像的无人机识别监测手段存在图像采集质量低导致的识别精度低的问题，对于夜间时段，单独的可视监测手段更加难以实现全天候有效识别无人机的需求。

此外，无人机工作频率并不唯一，针对不同厂家或自制无人机实施干扰反制时，需要实时分析目标无人机工作频率，以便实施有效反制。干扰反制的同时，需要持续对无人机进行识别跟踪，确定干扰是否成功，若干扰失败，需要调节干扰信号频率范围。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于动态图像识别的反无人机方法。本发明提供的反无人机方法图像识别过程采用动态模板，所述动态模板根据实时采集的监控图像定期更新，显著提高无人机图像识别精度。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于图像动态识别的反无人机方法，包括以下步骤：

S1，建立无人机图像初始模板；

S2，从所述监控图像中识别出无人机；

S3，建立无人机图像动态模板，跟踪无人机；

S4，向无人机发射干扰信号。

进一步地，步骤S2中，所述监控图像包括可见光图像和红外图像。

作为一种具体的实施方式，所述监控图像由红外监控摄像机采集。

进一步地，将可视图像与红外图像融合重构，从重构图像中识别无人机。CCD传感器接收的可视图像和红外热成像传感器接收的红外图像经过配准，对可视图像和红外图像分别进行离散小波变换(DWT)，然后对各个分解层进行融合，不同分解层上的不同频率分量采用不同的融合算子，最后对融合后的图像序列进行逆离散小波变化(IDWT)，得到可视图像与红外图像融合重构的图像。融合算子基于系数绝对值较大法，加权平均法或局部方差准则。具体地，融合算子将融合重构图像用于图像识别，可有效提高监控图像无人机识别率，尤其是对于夜晚和复杂天气环境下的无人机监控识别。

进一步地，所述动态模板包括不连续的至少2帧无人机图像。至少2帧图像中的每一帧分别用作其后连续一定帧数图像的识别模板。所述动态模板从无人机识别图像中动态选择，取代原有的预存无人机图像数据库。

优选地，所述动态模板包括2帧无人机图像。选用2帧图像作为动态模块兼顾了动态识别精度要求和运算效率问题。

进一步地，每隔预定周期，更新所述动态模板。

所述预定周期在图像采集设备捕获图像帧率一定的情况下，以相隔预定帧数的帧形式体现。

优选地，对于帧率为25帧/s的CCD传感器，每25帧选取2帧无人机图像作为动态模板。

作为一种优选的实施方式，对于前75帧图像，选用第1帧、第25帧图像作为动态模板，第1帧图像用作第2帧～第25帧图像识别模板，第25帧用作第26帧～第50帧图像识别模板。前25帧图像识别完成后，第25帧、第50帧图像作为第26帧～第75帧图像识别模板，依此递推，构成实时更新的动态模板。

进一步地，无人机飞行速度增大或减小，所述预定周期相应成比例地减小或增大。据此，可保证用于无人机图像识别的动态模板与待识别图像特征差异处于可控范围。

作为一种具体的实施方式，对于捕获图像帧率为25帧/s的CCD传感器，若无人机飞行速度提高一倍，所述预定周期为原预定周期的1/2。

进一步地，步骤S4中，所述干扰信号干扰包括无人机通信链路、控制链路和GPS信号。

进一步地，通过第一干扰源干扰无人机通信链路和控制链路。所述第一干扰源为2.4GHz干扰源，通过定向八木发射天线发射干扰信号。

进一步地，通过第二干扰源干扰无人机GPS信号。所述第二干扰源为1.5GHz干扰源，通过GPS定向螺旋发射天线发射干扰信号。

进一步地，步骤S4中，发射干扰信号之前，分析无人机上/下行工作频段。

具体地，发射干扰信号之前，采用全向接收天线扫描无人机信号，将所述无人机分为功率相同的多路信号，对每路信号进行滤波、A/D转换和离散傅里叶(DFT)变换后，分析其上/下行工作频段，针对工作频段，在该工作频段内发送干扰信号。

进一步地，步骤S4中，当无人机距离监控设备小于预定距离时，发射干扰信号。预定距离依据监控场景需要而定。作为一种具体的实施方式，预定距离为200m。

进一步地，步骤S4中，发射干扰信号的同时，持续识别、跟踪无人机。为了避免干扰失败，或者无人机驱逐后再次返回。在发射干扰信号的同时，持续识别、跟踪无人机，直至其飞离所述预定距离，停止发送干扰信号。

与现有技术相比，本发明的有益效果：

本发明提供的反无人机方法，采用无人机图像动态模板取代静态模板，图像识别采用实时动态模板，显著提高了无人机图像识别精度；

可视图像与红外图像融合重构技术，提高了复杂环境下的图像识别精度，特别是对于夜间、多云等可视图像检测效果较差的应用场景；

发射干扰信号前分析无人机上/下行工作频段，针对目标频段释放干扰信号，做到有目的地干扰，提高干扰成功率，干扰过程与识别跟踪同步，图像监控对干扰成功率提供验证措施，进一步确保有效干扰。

附图说明：

图1为本发明基于图像动态识别的反无人机方法流程图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

一种基于图像动态识别的反无人机方法，如图1所示，包括以下步骤：

S1，建立无人机图像初始模板；

S2，从所述监控图像中识别出无人机；

S3，建立无人机图像动态模板，跟踪无人机；

S4，向无人机发射干扰信号。

进一步地，步骤S2中，所述监控图像包括可见光图像和红外图像。

作为一种具体的实施方式，所述监控图像由红外监控摄像机采集。

进一步地，将可视图像与红外图像融合重构，从重构图像中识别无人机。CCD传感器接收的可视图像和红外热成像传感器接收的红外图像经过配准，对可视图像和红外图像分别进行离散小波变换(DWT)，然后对各个分解层进行融合，不同分阶层上的不同频率分量采用不同的融合算子，最后对融合后的图像序列进行逆离散小波变化(IDWT)，得到可视图像与红外图像融合重构的图像。将融合重构图像用于图像识别，可有效提高监控图像无人机识别率，尤其是对于夜晚和复杂天气环境下的无人机监控识别。

可以选择地，图像融合还可以采用像素灰度值选大算法，像素灰度值选小算法，加权平均融合算法，拉普拉斯图像金字塔分解融合算法。

小波变换可将原始图像分解成一系列具有不同方向分辨率的子图像，能充分反映原始图像的局部变换特征。正交小波变换去除了两相邻尺度上图像信息差的相关性，所以基于小波变换的图像融合技术能够克服拉布拉斯金字塔的不稳定性。在小波分解过程中，由于图像的数据量不变，同时各层的融合可并行进行，其计算速度和所需的存储量都由于拉普拉斯金字塔。此外，小波变换的多分辨率结构可解决图像灰度特性不同给图像融合带来的困难。

进一步地，所述动态模板包括不连续的至少2帧无人机图像。至少2帧图像中的每一帧分别用作其后连续一定帧数图像的识别模板。所述动态模板从无人机识别图像中动态选择，取代原有的预存无人机图像数据库。

优选地，所述动态模板包括2帧无人机图像。选用2帧图像作为动态模块兼顾了动态识别精度要求和运算效率问题。

进一步地，每隔预定周期，更新所述动态模板。具体地，对于帧率为25帧/s的CCD传感器，预定周期为每25帧，更新所述动态模板。

优选地，对于帧率为25帧/s的CCD传感器，每25帧选取2帧无人机图像作为动态模板。

作为一种优选的实施方式，对于前75帧图像，选用第1帧、第25帧图像作为动态模板，第1帧图像用作第2帧～第25帧图像识别模板，第25帧用作第26帧～第50帧图像识别模板。前25帧图像识别完成后，第25帧、第50帧图像作为第26帧～第75帧图像识别模板，依此递推，构成实时更新的动态模板。

进一步地，无人机飞行速度增大或减小，所述预定周期相应成比例地减小或增大。据此，可保证用于无人机图像识别的动态模板与待识别图像特征差异处于可控范围。

作为一种具体的实施方式，对于捕获图像帧率为25帧/s的CCD传感器，若无人机飞行速度提高一倍，所述预定周期为原预定周期的1/2。

进一步地，步骤S4中，所述干扰信号干扰包括无人机通信链路、控制链路和GPS信号。

进一步地，通过第一干扰源干扰无人机通信链路和控制链路。所述第一干扰源为2.4GHz干扰源，通过定向八木发射天线发射干扰信号。定向天线实现干扰信号定向施放，避免了对邻区其他设施的信号干扰。

进一步地，通过第二干扰源干扰无人机GPS信号。所述第二干扰源为1.5GHz干扰源，通过GPS定向螺旋发射天线发射干扰信号。

进一步地，步骤S4中，发射干扰信号之前，分析无人机上/下行工作频段。

具体地，发射干扰信号之前，采用全向接收天线扫描无人机信号，将所述无人机分为功率相同的多路信号，对每路信号进行滤波、A/D转换和离散傅里叶(DFT)变换后，分析其上/下行工作频段，针对工作频段，在该工作频段内发送干扰信号。

进一步地，步骤S4中，当无人机距离监控设备小于预定距离时，发射干扰信号。预定距离依据监控场景需要而定。作为一种具体的实施方式，预定距离为200m。

进一步地，步骤S4中，发射干扰信号的同时，持续识别、跟踪无人机。为了避免干扰失败，或者无人机驱逐后再次返回。在发射干扰信号的同时，持续识别、跟踪无人机，直至其飞离所述预定距离，停止发送干扰信号。

需要指出的是，本申请所记载的流程图或者流程图处理由多个步骤组成，并且，各个步骤能够分割为多个子部分；另一方面，多个部分也能够合并为一个部分。本申请文本虽然根据实施例进行了阐述，但应理解的是本发明并不限定于该实施例，本文本也包含多种变形例、同等范围内的变形。除此之外，各种组合、方式，甚至是在其中仅包含一个要素、或更多或更少的其他组合、方式也归入本文本的范畴、思想范围内。

Claims (9)

1.一种基于图像动态识别的反无人机方法，其特征在于，包括以下步骤：

S1，建立无人机图像初始模板；

S2，从监控图像中识别出无人机；

S3，建立无人机图像动态模板，识别并跟踪无人机；

S4，向无人机发射干扰信号；

所述动态模板包括不连续的至少2帧无人机图像；至少2帧无人机图像中的每一帧分别用作其后连续一定帧数图像的识别模板。

2.根据权利要求1所述的反无人机方法，其特征在于，步骤S2中，所述监控图像包括可视图像和红外图像。

3.根据权利要求2所述的反无人机方法，其特征在于，步骤S2中，将可视图像与红外图像融合重构，从重构图像中识别无人机。

4.根据权利要求3所述的反无人机方法，其特征在于，步骤S2中，可视图像与红外图像的融合采用基于小波变换的图像融合方法。

5.根据权利要求4所述的反无人机方法，其特征在于，步骤S3中，每隔预定周期，更新所述动态模板。

6.根据权利要求5所述的反无人机方法，其特征在于，步骤S3中，无人机飞行速度增大或减小，所述预定周期相应成比例地减小或增大。

7.根据权利要求1所述的反无人机方法，其特征在于，步骤S4中，发射干扰信号之前，分析无人机上/下行工作频段。

8.根据权利要求7所述的反无人机方法，其特征在于，步骤S4中，当无人机距离监控设备小于预定距离时，发射干扰信号。

9.根据权利要求8所述的反无人机方法，其特征在于，步骤S4中，发射干扰信号的同时，持续识别、跟踪无人机。