一种多设备协同的无人机飞手检测方法、设备及存储介质与流程

1.本发明涉及无人机飞手管控技术领域，特别是涉及一种多设备协同的无人机飞手检测方法和系统。


背景技术：

2.随着低空无人机在各行各业的广泛使用，给人们提供便利的同时也为无人机管制提出了新的要求。低空无人机造成的主要威胁是危害共同安全，窥探个人隐私和重点区域的信息泄漏。现阶段无人机飞手的定位方式主要是频谱分析方法和视频监控系统的数据筛查方法。传统频谱分析方式是探测无人机飞手发送的信号，实现对无人机飞手的定位，并且使用电磁指纹技术获取环境无人机电磁信号的时频特征、调制方式等信息，快速、准确的分类识别各电磁源，形成电磁指纹(电磁指纹目标识别技术是将设备获取的目标电磁特征)，然后与电磁指纹库数据进行比对，即可发现是否为管控目标。视频监控系统的数据筛查方法是采用人工的方式，事后查看监控视频，然后确定飞手是否为管控目标。
3.基于电磁指纹数据库技术识别无人机飞手目标时，如何配置电磁感知节点设备，需要考虑多种因素。城市低空复杂的电磁环境，以及密集的建筑物的存在，使得采用单一感知节点设备监测电磁目标的做法，其覆盖范围有限，且连续跟踪能力不足，容易导致目标丢失。并且在对无人机飞手发出的电磁信号使用基于tdoa(time difference ofarrival)方法对无人机飞手发出的电磁信号进行定位时，由于各个基站间的时间同步性要求高，在遇到城市高楼遮挡或者是强反射物时，会存在较大的误差。视频监控系统的数据筛查大多采用人工方式，事后查看监控视频，不仅效率低下、耗费大量的人力物力，也会由于人为的原因错失有效线索。而且，现阶段常用的跟踪算法只能对目标进行连续跟踪，无法做到接续跟踪。目标运动过程中，往往会从一个视场进入另一个视场，由于设备间的安装角度，现场环境存在较大的差异，使得成像的目标存在较大差异，进而造成跟踪算法无法做到接续跟踪。不同设备下的接续跟踪的关键是从不同设备的视频流中查找同一个目标，这个问题常用的技术手段是行人重识别算法。由于现有的行人重识别算法大部分为有监督的行人重识别算法，使得模型的训练阶段需要使用数据集的样本标签，限制了该方法在工业场景下无人机飞手检测的应用。


技术实现要素：

4.本发明所要解决的技术问题是提供一种多设备协同的无人机飞手检测方法和系统，在实现无人机飞手的接续跟踪的同时，降低工业场景下的无人机飞手检测的成本。
5.本发明解决其技术问题所采用的技术方案是：提供一种多设备协同的无人机飞手检测方法，包括以下步骤：
6.(1)获取无人机飞手发出的电磁信号，使用电磁目标定位方法确定无人机飞手的空间位置范围；
7.(2)根据所述无人机飞手的空间位置范围，调用视频监控系统的视频流，并使用已
训练检测模型进行无人机飞手检测，并使用跟踪算法对无人机飞手进行跟踪；
8.(3)当跟踪的无人机飞手运动到当前画面外时，保存并裁剪当前图像中无人机飞手的图像，并且再次调用周围区域的其他视频监控系统的视频流，并使用无监督生成伪标签的无人机飞手重识别方法，对当前画面中的无人机飞手进行重识别，识别成功后再次进行跟踪。
9.所述步骤(2)中使用已训练检测模型进行无人机飞手检测具体为：使用卷积，批归一化，激活函数搭建卷积模块，并使用残差层，实现检测模型的搭建；然后根据视频监控系统中的视频流，获取含无人机大量飞手的图像，并对所述图像进行标注，完成无人机飞手数据集的制作；在检测模型的训练期间，通过调整当前训练批次内无人机飞手的样本量，使得所述检测模型对无人机飞手更加敏感。
10.所述步骤(2)中使用跟踪算法对无人机飞手进行跟踪具体为：以邻回归分类器为核心，采用循环矩阵的方法在目标区域进行移位操作，形成大量的样本来训练所述邻回归分类器；通过核来计算选择区域与目标区域的相似度，并将最大响应的区域作为新的跟踪目标。
11.所述步骤(3)中的无监督生成伪标签的无人机飞手重识别方法分为训练阶段和测试阶段，在训练阶段，将训练数据集中的所有行人图像使用特征提取网络进行特征提取，然后对提取出的特征进行聚类，当聚类结束后，根据聚类的结果为当前簇类中的特征分配伪标签，并形成查询库；在测试阶段，将所述待查询的无人机飞手图像作为所述特征提取网络的输入，提取出特征后，与所述查询库中的图像特征经过聚类后，进行相似度矩阵计算，得到相似度分数最高的那一簇，进而实现了在其它视频监控系统下对当前无人机飞手的重识别。
12.在所述根据聚类的结果为当前簇类中的特征分配伪标签与所述形成查询库之间还包括：将无人机飞手图像作为所述特征提取网络的输入，并对所述特征提取网络进行微调，在每轮结束后，对训练集中的无人机飞手图像重新分配伪标签。
13.在分配伪标签时，根据设备的索引将训练数据集中划分为不同的子训练数据集，在所述特征提取网络后使用多个分类器对提取的特征进行分类，以分类概率间向量间的距离平均值作为聚类的度量，根据聚类的结果分配伪标签。
14.在重新分配伪标签时，使用多个分类器对输入的图像进行分类，根据分类概率向量间得到的度量结果进行聚类，使用jaccard相似系数作为聚类的度量，根据聚类结果重新分配伪标签。
15.在所述训练阶段当待查询的无人机飞手和经过聚类分配的伪标签计算损失时，使用的损失函数为交叉熵损失函数和triplet损失函数，使用正则项将所述交叉熵损失函数和triplet损失函数进行叠加。
16.本发明解决其技术问题所采用的技术方案是：还提供一种计算机设备，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，所述处理器执行所述程序时实现上述的多设备协同的无人机飞手检测方法。
17.本发明解决其技术问题所采用的技术方案是：还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行以实现上述的多设备协同的无人机飞手检测方法。
18.有益效果
19.由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明利用基于tdoa的电磁目标定位方法，单阶段目标检测算法和跟踪算法实现了对无人机飞手的准确定位与检测，并且实现了对检测到的无人机飞手在单个设备内的稳定跟踪；本发明采用的无人机飞手重识别的方法，通过对相机内数据集的特征聚类和相机间数据集的聚类的两阶段伪标签生成方法，提高了无人机飞手重识别的准确性，再结合跟踪算法，进而实现了无人机飞手的接续跟踪；本发明采用的无人机飞手重识别的方法在训练过程当中是无监督的，通过两个阶段的聚类生成用于模型训练的伪标签，在训练过程中不需要对数据集进行人工标注，降低了工业场景下的无人机飞手检测的成本。
附图说明
20.图1是本发明实施方式的流程图；
21.图2是本发明实施方式中无人机飞手的检测算法流程图；
22.图3是本发明实施方式中无人机重识别算法流程图；
23.图4是本发明实施方式中第一阶段伪标签生成示意图；
24.图5是本发明实施方式中第二阶段伪标签生成示意图。
具体实施方式
25.下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
26.本发明的实施方式涉及一种多设备协同的无人机飞手检测方法，如图1所示，包括以下步骤：
27.步骤1.通过频谱感知设备对无人机飞手遥控器等电磁源设备发出的电磁信号进程初步的定位，确定了无人机飞手的空间位置范围。本步骤中使用基于toda的电磁目标定位方法，利用无人机飞手发出的电磁信号到达不同的监测站的时间差，确定其目标的空间位置范围。为了保证定位精度，监控站应使用蜂窝状为基本方式，并根据该区域无线电信号的密度来布置。在对电磁目标定位时，各个监测传感器之间要保证时间的同步，通过这种定位方式能确定无人机飞手的空间位置范围。
28.步骤2.获取该区域的视频监控系统的实时视频，并对视频中出现的无人机飞手进行检测，检测成功后启用跟踪算法进行跟踪。
29.本步骤中，依据无人机飞手电磁目标的空间位置范围，调用视频监控系统的各摄像头的视频流，利用无人机飞手检测算法对无人机飞手位置范围内的多路视频进行分析，实现对无人机飞手的定位与识别，再根据摄像头的视场角和安装高度，以及摄像头本身的安装位置，确定出无人机飞手的准确位置。
30.本实施方式中，使用单阶段的目标检测算法作为无人机飞手的检测算法。具体地，使用卷积操作，批归一化操作，激活函数搭建卷积模块的搭建，为了防止网络过深导致的梯度弥散问题，使用残差层，进而实现检测模型的搭建。然后根据视频监控系统中的视频流，
获取含无人机大量飞手的图像，并对图像进行标注，完成无人机飞手数据集的制作。由于数据集中存在无人机飞手样本和行人样本的样本不平衡问题，故在检测模型的训练期间，调整当前训练批次内无人机飞手的样本量，使得训练模型对无人机飞手更加敏感，进而提升检测模型的检测准确率。本实施方式中的无人机飞手图像可以包含多个视角，用以提高数据集的多样性，进而提高检测模型的鲁棒性。单阶段目标检测算法对无人机飞手检测时，其数据集应将行人标记为2个类别，分别是行人与无人机飞手。当同一无人机飞手出现在不同设备的视频流时，需标明设备的id号，以制作无人机飞手重识算法的数据集。
31.当无人机飞手检测成功后，可以使用kcf(kernel correlationfilter)跟踪算法实现对无人机飞手的视频跟踪。具体地，kcf算法是以邻回归分类器为核心，采用循环矩阵的方法在目标区域进行移位操作，形成大量的样本来训练分类器。通过核来计算选择区域与目标区域的相似度，最大响应的区域作为新的跟踪目标。由于该算法对训练样本进行巧妙变换，使其具有循环矩阵的特性，利用离散傅里叶变换矩阵对角化，减小大量矩阵求逆的运算，显著提高了算法的运行速度，从而实现对于目标的快速检测与跟踪。
32.本步骤中，已训练的检测模型为yolov5，其训练和测试的流程如图2所示。在训练前完成无人机飞手数据集的标注，将数据集按照7：2：1分为训练数据集，验证数据集和测试数据集，在训练期间调整当前批次内无人机飞手的样本数，当0《无人机样本数《1/10时，在当前批次内的图像使用复制-粘贴的图像增强算法，扩大当前训练批次内的无人机样本数，扩大的倍数为2-3倍，以提高当前批次内无人机飞手的损失占比，使得检测模型对无人机飞手更加敏感。
33.其中，复制-粘贴的图像增强算法是指在当前训练的批次中，随机选择一张包含无人机飞手的图像is，选择当前批次的其它图像io，将选择的无人机飞手叠加在当前批次的其它图像中，合成图像的i
s1
，其公式为i
s1
＝is×imask
+io×
(1-i
mask
)，i
mask
是选择的无人机飞手图像的无人机分割掩码图，无人机飞手的位置为1，其它位置为0。
34.训练中使用adam优化器，初始学习率设定为0.001，batch_size设定为32，epoch设定为150，则训练结束，或者损失值在训练数据集继续下降，但在验证数据集上不下降，当这种现象持续20个epoch时，则训练结束。
35.值得一提的是，使用的目标检测算法也可以替换为基于两阶段的fastrcnn、faster rcnn和cascade rcnn算法，以实现对无人机飞手的检测。所使用的kcf跟踪算法也可以替换为基于sort(simple online andrealtime tracking)的跟踪算法，以实现单个相机内的无人机飞手跟踪。
36.步骤3.当目标移动到视野的范围外，使用相邻区域的实时视频进行无人机飞手行人重识别，实现无人机飞手在多个设备间的协同跟踪。
37.本步骤中的行人重识别算法主要分为训练阶段和测试阶段。在训练阶段，将训练数据集中的所有行人图像使用经过预训练的模型进行提取特征，然后对特征进行聚类，当聚类结束后，根据聚类的id为当前簇类中的特征进行分配伪标签，然后将当前需要查询的无人机飞手图像作为网络的输入，并对预训练模型进行微调，在每轮结束后，对训练集中的无人机飞手图像重新分配伪标签，经过多轮的训练后，网络达到拟合。在测试阶段，将查询的无人机飞手图像作为模型的输入，提取出特征后，与当前查询库中的图像特征经过聚类后，进行相似度矩阵计算，得到相似度分数最高的那一簇，进而实现了在其它设备下对当前
无人机飞手的重识别。
38.无人机飞手重识别的过程中，为了生成高质量的伪标签，以提高无人机飞手重识别的准确性，本实施方式在训练阶段提出了两阶段方法用来生成伪标签。在第一个阶段中，根据不同摄像头的索引将训练数据集划分为不同的子训练数据集，在特征提取网络后，使用多个分类器对特征进行分类，以分类概率向量间的距离平均值作为度量依据进行聚类，根据聚类的结果分配伪标签。为了估计来自不同设备的两个样本属于同一身份的概率，根据同一身份的样本在每个分类器产生的分类概率分布相似的依据，在第二阶段使用多个已训练的分类器对输入的图像进行分类，并对数据集中的分类概率向量进行聚类，使用jaccard相似系数作为聚类的度量依据。
39.具体地说，本步骤的无人机飞手重识别方法的流程如图3所示，其重识别的训练流程分为伪标签生成和网络更新两个阶段，在本步骤中使用vgg16作为无人机飞手重识别的特征提取网络。在训练之前，完成无人机飞手重识别数据集的制作，伪标签的生成主要分为两个阶段，图4展示了第一阶段伪标签的生成流程，假设训练数据集的图像来源于n个摄像头，根据摄像头序列号将训练数据集分为n个子集，以训练n个分类器。在vgg16的最后一层添加n个全连接层，并在每层使用softmax函数进行分类，分类的个数为数据集中同一样本的个数，并对依次对训练数据集的子集进行聚类，根据聚类的簇号分配第一阶段的伪标签。其中，无人机飞手重识别的数据集可以是线下采集不同设备下同一个无人机飞手的图像，然后将采集的无人机飞手图像与部分行人重识别数据集按混合，并划分训练数据集和测试数据集。本实施方式中使用的公开行人重识别数据集有msm17和market1501。伪标签生成的第二阶段流程如图5所示，将训练数据集的样本使用n分类器进行分类，得到当前样本的n个分类概率，将n个分类概率合成为该样本的分类概率向量，然后对该样本进行聚类，根据聚类簇号分配第二阶段的伪标签。
40.上述的聚类方法可以为k-means算法，其中第一阶段伪标签生成的过程中使用度量依据是两个向量间的平均距离，其聚类的簇数等于当前训练子集中不同样本的个数。第二阶段伪标签生成的度量依据为两个分类概率向量pm和pn间的jaccard相似度p，其公式：
[0041][0042]
其中，∩为两个向量间的最小值，∪为两个向量间的最大值。
[0043]
网络更新阶段是指伪标签分配完成后，一个批次的输入样本经过vgg16的特征提取，得到了其对应的分类概率向量，每个簇内的分类概率向量对应元素求平均，得到能代表这一簇的分类概率向量，然后使用交叉熵损失函数和triplet损失函数计算损失，反向传播梯度，完成当前批次的网络更新。
[0044]
本实施方式中，第一阶段训练的轮数为12，第二阶段训练的epoch为2，batch size为8，学习率为0.005，优化器使用adam。
[0045]
值得一提的是，在上述的无人机飞手重识别过程中，也可以仅采用第一阶段的伪标签生成方式，实现重识别模型的训练。
[0046]
上述实施方式可以基于pytorch深度学习框架下完成，其硬件配置如下：intel(r)core(tm)i7-9700kf cpu@3.60ghz 8核cpu，16g内存，nvidiageforce rtx 2070super，8gb。软件配置：ubuntu系统，python 3.6。
[0047]
(1)依据电磁目标定位方法确定的无人机飞手的空间位置范围，根据这个空间位置范围调用视频监控系统中的摄像头进行检测，当出现多路视频流时，依次采集同时间段的视频流，完成无人机飞手检测前的原始数据准备。
[0048]
(2)在检测之前，先对原始数据进行预处理，将预处理后的数据作为检测模型的输入，经过检测模型的前向推理，得到包含无人机飞手目标位置和分类信息的3个尺度的特征图，对这3个尺度的特征图进行编码，并对编码后的坐标信息进行非极大值抑止算法处理，得到预测的结果。根据视频检测结果的平均置信度的大小，选择置信度最高视频作为要跟踪的视频流。
[0049]
(3)当该视频流中的无人机飞手运动到视野范围后，将运动出视野的图像保存在本地，并裁剪该图像中无人机飞手区域，将裁剪的无人机飞手区域作为要无人机飞手重识别的查询图像。
[0050]
(4)将移动出视野边界的像素坐标，根据当前摄像头的安装高度，视场角，俯仰角等信息预估出目标的位置，然后调用该位置附近的摄像头，截取这些摄像头中的视频流，根据(2)中的检测模型，检测出多路视频流中的目标，然后检测出的目标物依次提取分类概率向量，并使用本实施方式中的无人机重识别算法的两阶段伪标签生成方法实现对每个簇内目标物的标签分配形成了查询库矩阵，重识别模型提取查询图像的分类概率向量，将该向量与查询库矩阵相乘，得到了相似性向量，根据相似性向量中最大值元素的位置，设定相似性阈值为0.45当大于该阈值时，得到与查询图像最相似的目标物，当小于相似度向量中的元素均小于阈值时，则重写截取视频流，重复上述的检测流程。
[0051]
(5)然后根据最相似目标物出现的视频流，对该视频流中的目标进行接续跟踪，跟踪的方法是使用kcf跟踪算法，通过这种方式，实现了无人机飞手在多个设备间的接续跟踪和检测。
[0052]
不难发现，本发明利用基于tdoa的电磁目标定位方法，单阶段目标检测算法和跟踪算法实现了对无人机飞手的准确定位与检测，并且实现了对检测到的无人机飞手在单个设备内的稳定跟踪；本发明采用的无人机飞手重识别的方法，通过对相机内数据集的特征聚类和相机间数据集的聚类的两阶段伪标签生成方法，提高了无人机飞手重识别的准确性，再结合跟踪算法，进而实现了无人机飞手的接续跟踪；本发明采用的无人机飞手重识别的方法在训练过程当中是无监督的，通过两个阶段的聚类生成用于模型训练的伪标签，在训练过程中不需要对数据集进行人工标注，降低了工业场景下的无人机飞手检测的成本。
[0053]
需要说明的是，本发明的以上实施方式的多设备协同的无人机飞手检测方法可以由计算机程序指令实现，例如，通过专用的程序来实现，可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器，并且，可以由计算机或其他可编程数据处理设备的处理器执行的这些指令来创建用于实施这些流程图和/或框和/或一个或多个流程框图中指定的功能/操作的单元或部件。
[0054]
并且，可以将这些计算机程序指令存储在计算机可读存储器中，这些指令可以指示计算机或其他可编程处理器以特定方式实现功能，以便存储在计算机可读存储器中的这些指令构成包含实施流程图和/或框图的一个或多个框中指定的功能/操作的指令部件的制作产品。
[0055]
还应该注意在一些备选实现中，框中所示的功能/操作可以不按流程图所示的次
序来发生。例如，依次示出的两个框实际可以基本同时地执行或这些框有时可以按逆序执行，具体取决于所涉及的功能/操作。
[0056]
需要说明的是，本文公开和描绘的元件(包括附图中的流程图、方块图)意指元件之间的逻辑边界。然而，根据软件或硬件工程实践，描绘的元件及其功能可通过计算机可执行介质在机器上执行，计算机可执行介质具有能够执行存储在其上的程序指令的处理器，所述程序指令作为单片软件结构、作为独立软件模块或作为使用外部程序、代码、服务等的模块，或这些的任何组合，且全部这些执行方案可落入本公开的范围内。
[0057]
虽然不同非限制性实施方案具有特定说明的组件，但本发明的实施方案不限于这些特定组合。可能使用来自任何非限制性实施方案的组件或特征中的一些与来自任何其它非限制性实施方案的特征或组件组合。

技术特征：
1.一种多设备协同的无人机飞手检测方法，其特征在于，包括以下步骤：(1)获取无人机飞手发出的电磁信号，使用电磁目标定位方法确定无人机飞手的空间位置范围；(2)根据所述无人机飞手的空间位置范围，调用视频监控系统的视频流，并使用已训练检测模型进行无人机飞手检测，并使用跟踪算法对无人机飞手进行跟踪；(3)当跟踪的无人机飞手运动到当前画面外时，保存并裁剪当前图像中无人机飞手的图像，并且再次调用周围区域的其他视频监控系统的视频流，并使用无监督生成伪标签的无人机飞手重识别方法，对当前画面中的无人机飞手进行重识别，识别成功后再次进行跟踪。2.根据权利要求1所述的多设备协同的无人机飞手检测方法，其特征在于，所述步骤(2)中使用已训练检测模型进行无人机飞手检测具体为：使用卷积，批归一化，激活函数搭建卷积模块，并使用残差层，实现检测模型的搭建；然后根据视频监控系统中的视频流，获取含无人机大量飞手的图像，并对所述图像进行标注，完成无人机飞手数据集的制作；在检测模型的训练期间，通过调整当前训练批次内无人机飞手的样本量，使得所述检测模型对无人机飞手更加敏感。3.根据权利要求1所述的多设备协同的无人机飞手检测方法，其特征在于，所述步骤(2)中使用跟踪算法对无人机飞手进行跟踪具体为：以邻回归分类器为核心，采用循环矩阵的方法在目标区域进行移位操作，形成大量的样本来训练所述邻回归分类器；通过核来计算选择区域与目标区域的相似度，并将最大响应的区域作为新的跟踪目标。4.根据权利要求1所述的多设备协同的无人机飞手检测方法，其特征在于，所述步骤(3)中的无监督生成伪标签的无人机飞手重识别方法分为训练阶段和测试阶段，在训练阶段，将训练数据集中的所有行人图像使用特征提取网络进行特征提取，然后对提取出的特征进行聚类，当聚类结束后，根据聚类的结果为当前簇类中的特征分配伪标签，并形成查询库；在测试阶段，将所述待查询的无人机飞手图像作为所述特征提取网络的输入，提取出特征后，与所述查询库中的图像特征经过聚类后，进行相似度矩阵计算，得到相似度分数最高的那一簇，进而实现了在其它视频监控系统下对当前无人机飞手的重识别。5.根据权利要求4所述的多设备协同的无人机飞手检测方法，其特征在于，在所述根据聚类的结果为当前簇类中的特征分配伪标签与所述形成查询库之间还包括：将无人机飞手图像作为所述特征提取网络的输入，并对所述特征提取网络进行微调，在每轮结束后，对训练集中的无人机飞手图像重新分配伪标签。6.根据权利要求4所述的多设备协同的无人机飞手检测方法，其特征在于，在分配伪标签时，根据设备的索引将训练数据集中划分为不同的子训练数据集，在所述特征提取网络后使用多个分类器对提取的特征进行分类，以分类概率间向量间的距离平均值作为聚类的度量，根据聚类的结果分配伪标签。7.根据权利要求5所述的多设备协同的无人机飞手检测方法，其特征在于，在重新分配伪标签时，使用多个分类器对输入的图像进行分类，根据分类概率向量间得到的度量结果进行聚类，使用jaccard相似系数作为聚类的度量，根据聚类结果重新分配伪标签。8.根据权利要求4所述的多设备协同的无人机飞手检测方法，其特征在于，在所述训练阶段当待查询的无人机飞手和经过聚类分配的伪标签计算损失时，使用的损失函数为交叉
熵损失函数和triplet损失函数，使用正则项将所述交叉熵损失函数和triplet损失函数进行叠加。9.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的多设备协同的无人机飞手检测方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行以实现如权利要求1-8中任一所述的多设备协同的无人机飞手检测方法。

技术总结
本发明涉及一种多设备协同的无人机飞手检测方法、设备及存储介质。其中，方法包括：获取无人机飞手发出的电磁信号，使用电磁目标定位方法确定无人机飞手的空间位置范围；根据所述无人机飞手的空间位置范围，调用视频监控系统的视频流，并使用已训练检测模型进行无人机飞手检测，使用跟踪算法对无人机飞手进行跟踪；当跟踪的无人机飞手运动到当前画面外时，保存并裁剪当前图像中无人机飞手的图像，并且再次调用周围区域的其他视频监控系统的视频流，并使用无监督生成伪标签的无人机飞手重识别方法，对当前画面中的无人机飞手进行重识别，识别成功后再次进行跟踪。本发明在实现无人机飞手的接续跟踪的同时，降低工业场景下的无人机飞手检测的成本。无人机飞手检测的成本。无人机飞手检测的成本。


技术研发人员：王也 何鑫 胡永翔 政书钧 康宏辉 陈海涵 胡延平
受保护的技术使用者：上海瀚界科技发展有限公司
技术研发日：2021.12.01
技术公布日：2022/3/8