随着无人机产业的迅猛发展和建设智能化城市的需要,无人机在日常生活中的使用场景越来越多,但与此同时,无人机“黑飞”、“滥飞”甚至违法犯罪事件仍时有发生,相应监管技术措施亟待完善。现有的视觉检测、追踪算法尚不完善,多数方法过于依赖传统运动信息检测技术的效果,限制了此类算法在动态背景下的性能。针对此问题,本文进行了基于光电的低空小型无人机类目标的检测、追踪技术研究并设计实现了一个基于视觉感知的无人机检测追踪系统,将卷积神经网络这一前沿热点引入算法的设计中,降低了检测方法对于运动信息检测的依赖性。本文研究内容主要分为基于神经网络的无人机实时检测算法研究、无人机实时追踪算法研究以及无人机实时检测追踪系统实现三部分,具体研究内容如下所示:1.首先研究了无人机类动态小目标运动检测方法中的帧间差分法、混合高斯背景建模法、Vi Be法,其次研究了无人机类动态小目标经典追踪算法中的Mean-Shift法、粒子滤波算法和卡尔曼滤波追踪算法,了解了算法的实现原理并进行实验测试,分析了算法特点并进行部署时应用的可行性分析。2.针对无人机类动态小目标在使用传统或相关算法时存在的目标尺度变化大、复杂背景下难以检测、检测须满足实时性等问题,本文设计了基于神经网络模型的实时检测算法。首先使用经典运动目标检测方法筛选可疑区域;然后在可疑区域使用神经网络进行图像内容的超分辨率重建,强化细节信息;最后使用改进的YOLOv3神经网络模型进行基于神经网络的实时无人机检测。实验结果表明,与传统算法的衍生算法和HOG特征+SVM方法相比,本文方法检测的准确率和召回率高,鲁棒性佳,处理速度更快且检测性能稳定,算法泛化能力更强。3.针对无人机类动态小目标在使用经典追踪算法中存在的问题,本文设计了相应的追踪算法流程:在目标唯一时使用卡尔曼滤波对目标运动下一帧的位置进行预测,再使用多尺度KCF算法进行目标追踪;在目标数目较多时,进行目标实时检测并结合卡尔曼滤波预测结果关联每帧检测结果,实现检测式多目标追踪。实验结果表明,算法可以有效追踪动态小目标,效果和实时性较佳,同时满足单目标及多目标的追踪需求。4.本文整体实现无人机检测追踪系统并设计了客户端软件,实现图像和视频提取设备的控制并完成了目标检测、追踪功能的整合,最后通过实际场景测试验证了系统功能的有效性,检测有效距离可达450米。