[论文解读] A review of UAV Visual Detection and Tracking Methods

Raed Abu Zitar, Mohammad Azmi Al-Betar+2 more|arXiv (Cornell University)|Jun 8, 2023

Video Surveillance and Tracking Methods参考文献 52被引用 4

一句话总结

本文综述了基于多传感器融合的无人机视觉检测与跟踪方法，重点探讨了应用于图像、射频、红外和声学数据的深度学习技术（如 YOLOv3、YOLOv4 和 CNN）。研究表明，结合雷达、视觉和射频检测的混合系统在检测精度和实时性能方面表现更优，基于 CNN 的模型分类准确率最高可达 98.9%。

ABSTRACT

This paper presents a review of techniques used for the detection and tracking of UAVs or drones. There are different techniques that depend on collecting measurements of the position, velocity, and image of the UAV and then using them in detection and tracking. Hybrid detection techniques are also presented. The paper is a quick reference for a wide spectrum of methods that are used in the drone detection process.

研究动机与目标

• 提供基于多种传感器模态的无人机视觉检测与跟踪技术的全面综述。
• 分析各类检测方法（包括红外、射频、雷达、光学和声学传感）的优势与局限性。
• 评估融合多种传感器以克服单一技术局限性的混合检测系统。
• 评估 YOLO 和 CNN 等深度学习模型在提升检测精度与实时性能方面的作用。
• 识别无人机检测领域的研究空白与未来方向，特别是在传感器融合与经典机器学习融合方面。

提出的方法

• 基于传感器技术（红外、射频、雷达、光学和声学传感器）的无人机检测技术的系统性综述。
• 评估 YOLOv3、YOLOv4、YOLOv4-tiny 和 CNN 等深度学习架构在视觉与声学数据的实时目标检测与特征提取中的应用。
• 应用融合雷达、视觉与射频信号的混合检测框架，以提升检测范围、精度与鲁棒性。
• 采用 FMCW 雷达、相位干涉测量与多普勒频移分析等先进信号处理技术，实现目标速度与距离的估计。
• 采用集成学习与后融合策略，利用 CNN、RNN 与 CRNN 模型对声学信号进行分类。
• 实施数据增强等预处理技术，以缓解无人机图像数据集中类别不平衡的问题。

实验结果

研究问题

• RQ1 不同基于传感器的无人机检测方法（红外、射频、雷达、光学、声学）在检测范围、精度与环境鲁棒性方面如何比较？
• RQ2 YOLO 与 CNN 等深度学习模型在视觉、射频与声学模态下检测与分类无人机的性能如何？
• RQ3 通过融合多传感器数据，混合检测系统在多大程度上可提升检测可靠性？
• RQ4 FMCW 雷达与多普勒频移分析等信号处理技术如何提升无人机跟踪与速度估计性能？
• RQ5 单传感器检测系统的局限性是什么？传感器融合在多大程度上可缓解这些问题？

主要发现

• 结合雷达、视觉与射频传感器的混合检测系统在检测范围与精度方面显著优于单一模态方法。
• 基于 YOLOv3 与 YOLOv4 的模型可实现实时无人机检测，且精度较高，尤其在结合 CNN 进行特征提取时表现更优。
• 基于 CNN 的雷达与声学信号分类准确率最高可达 98.9%，表明在无人机识别方面具有高度有效性。
• 采用增强信号处理技术（如相位干涉测量）的 FMCW 雷达可实现对小型无人机在最远 20 海里范围内的探测。
• 基于声学的检测方法结合 CRNN 与集成模型在识别多旋翼无人机方面表现优异，尤其在采用最优麦克风阵列配置时。
• 预处理阶段的数据增强技术提升了模型泛化能力，尤其在检测载荷与非载荷无人机的低数据场景下效果显著。