摘要：无人机拥有空中视野良好,可监测范围广等优势,被广泛地应用于实际的目标检测任务中,由于无人机距离地面较远,任务中频繁出现小型目标检测效果不佳,虚检率和漏检率较高的情况。针对以上问题,提出一种改进的无人机对地小目标识别方法。本文基于YOLOV3卷积神经网络,首先建立一个无人机航拍数据集,并使用维度聚类方法设计合适的锚框,其次将广义交并比应用于网络的坐标损失函数中,替代原本的和方差损失,最后将YOLOV3网络4倍降采样特征图与经过上采样的8倍降采样特征图进行拼接,建立新的4倍降采样的目标检测层。实验结果表明,相比于YOLOV3,应用广义交并比的网络的平均精确度均值提高了3.4%,应用改进的YOLOV3网络平均精确率均值提高了8.2%,其中行人类小目标的平均精确率提高了10.2%,改进的检测方法对无人机平台下的小目标检测效果有所提升。

摘要：实现相对位姿估计是无人机的安全飞行与降落的重要保障手段之一,在失去全球定位系统(GPS)信号的情况下,仅通过低精度的惯性测量单元(IMU)的无人机难以提供准确的无人机位姿信息。针对以上问题,提出了一种基于合作目标识别的无人机相对位姿估计方法。无人机配备有光电载荷以及激光测距仪,针对无人机机载嵌入式设备处理能力较弱的局限性,选择在轻量化yo⁃lov3-tiny网络基础上,提出适用于无人机机载目标识别任务的Target-yolo,并建立地面合作目标的目标检测数据集。为了使网络更好的适应无人机位姿估计任务,提高识别的准确率,对网络进行结构改进以及迁移学习,相比Yolov3-tiny,准确率提升了2.6%,召回率提升了1.6%,实现对合作目标的准确识别。最后建立无人机相对位姿估计模型,求解无人机的相对位置关系。

摘要：通过无人机拍摄的光学图像求解地面感兴趣目标坐标,被广泛地应用于相关的军事以及商用民用领域;该方法的缺点是使用单架无人机时定位精度不稳定,效率也低;针对这些问题,设计了一种基于协同无人机的感兴趣目标定位系统;通过三架无人机同时观测同一地面感兴趣目标,在对目标定位的过程中,根据透视投影原理,结合无人机获取的姿态数据,通过主机数据处理系统实现机载在线实时定位;为了提高目标定位的精度,提出一种基于内三角形质心算法的协同目标定位方法;采用蒙特卡洛方法进行仿真实验,换算空间定位误差为26.6m,通过数值模拟和飞行实验验证结果表明,与传统单机目标定位系统相比,协同无人机感兴趣目标定位系统可以有效利用更多的观测信息,在有效提高目标定位效率的基础上具有更高的交会精度。