结合可见光与红外光谱图像及机器学习的小型无人机系统检测
计算机视觉与模式识别
2020-04-06 v2 机器学习
图像与视频处理
摘要
机器学习与深度神经网络在目标检测方面的进展，加之相机成本与功耗的降低，催生了基于视觉的 sUAS（小型无人机系统）检测的有前景方案。然而，仅依赖可见光谱此前在低对比度场景下（如 sUAS 在树冠线以下飞行并逆对明亮光源）已导致可靠性问题。另一方面，由于 sUAS 飞行期间散发相对较高的热信号，长波红外 (LWIR) 传感器能够生成将 sUAS 与其背景清晰对比的图像。然而，相较于广泛可用的可见光谱传感器，LWIR 传感器分辨率较低，且在暴露于鸟类或其他热源时可能产生更多误报。本研究工作提出结合 LWIR 与可见光谱传感器的优势，利用机器学习进行基于视觉的 sUAS 检测。利用 LWIR 传感器增强的背景对比度并与可见光谱传感器相对更高的分辨率同步结合，训练了一个深度学习模型以在先前困难的环境中检测 sUAS。更具体地，该方法展示了对树冠线上方与下方飞行、存在热源及太阳眩光下的多个 sUAS 的有效检测。我们的方法在机器学习目标检测器相同至少 50% 置信度度量控制下，对单无人机与多无人机场景平均实现了 71.2 ± 8.3% 的检测率，较 LWIR 提升 69%，较仅可见光谱提升 30.4%；并实现 2.7 ± 2.6% 的误报率，较 LWIR 与仅可见光谱分别降低 74.1% 与 47.1%。该方案性能视频可见 https://sites.google.com/view/tamudrone-spie2020/。
引用
@article{arxiv.2003.12638,
title = {Combining Visible and Infrared Spectrum Imagery using Machine Learning for Small Unmanned Aerial System Detection},
author = {Vinicius G. Goecks and Grayson Woods and John Valasek},
journal= {arXiv preprint arXiv:2003.12638},
year = {2020}
}
备注
Project page: https://sites.google.com/view/tamudrone-spie2020/