陶磊等：基于YOLOv3的无人机识别与定位追踪 467 类，得到单旋翼无人机图片150张、四旋翼无人机 模型每秒14帧的速度有了较大的提升.该速度足 图片155张和多旋翼无人机图片158张.之后用 够让摄像头去追踪飞行的无人机并解算出无人机 labellmg软件对图片中的无人机进行标注，每一张 的坐标.图6是YOLOv3模型与SSD模型的实测 图片均有与之相对应的注释文件，里边有包含无 效果图对比，SSD的预测框效果优于YOLOV3,但 人机边界框的位置大小和信息： 速度上不及YOLOv3,考虑到实时性的要求，在实 [top_x topy width height] (5) 际应用场景中，选择YOLOv3更合适 3.2训练结果 采用迁移学习对无人机图片数据集进行训练2-2)， 表1模型的准确率和召回率 Table 1 Precision and recall of model 90%的图片用于训练，10%的图片用于测试.基于 Recall/% YOLOv:3已有的预训练权重，在配备NVIDIA GTX Index Counts Categories Accuracy/% 1 150 Single rotor 88.00 86.00 1060的电脑上进行了10万次训练，训练出来的模 155 78.06 92.23 型能够达到83.24%的准确率和88.15%的召回率， Four rotors 158 Multiple rotors 83.54 86.16 结果如表1所示.使用该模型进行实时测试处理 Average 83.24 88.15 速度能达到每秒20帧，在同一平台上相较于SSD 图6SSD及YOLOv3的检测结果（图片上方是SSD模型的检测结果，下方是YOLOv.3的检测结果） Fig.6 SSD and YOLO's test results(Above the picture is the test result of the SSD model,below is the test result of YOLOv3) 4结论 magnetic sensing technology.Int J Appl Math Comput Sci,2006, 1:195 (1)训练好的YOLOv3模型在测试集上能够 [21 de Haag M U,Bartone C G,Braasch M S.Flight-test evaluation of 达到83.24%的准确率和88.15%的召回率 small form-factor LiDAR and radar sensors for sUAS detect-and- (2)在NVIDIA GTX1060平台上实时测试模 avoid applications I/2016 IEEEIALAA 35th Digital Avionics 型能够达到每秒20帧的速度，对视频帧进行目标 Systems Conference (DASC).Sacramento,2016:1 检测能获取无人机的位置信息，实现对无人机的 [3] Saqib M,Khan S D,Sharma N,et al.A study on detecting drones 追踪. using deep convolutional neural networks /2017 14th IEEE (3)根据两个或多个摄像头的参数，能实时解 International Conference on Advanced Video and Signal Based Surveillance (AVSS).Lecce,2017:1 算出无人机的空间坐标，实现对无人机的定位 [4]Aker C,Kalkan S.Using deep networks for drone detection //2017 对于今后的工作，我们准备获取更多场景下的 14th IEEE International Conference on Advanced Video and 无人机数据集来进行模型训练，选取速度更快、占 Signal Based Surveillance (AVSS).Lecce,2017:1 用资源更小的模型来进行无人机识别，让模型能 [5] Ganti S R.Kim Y.Implementation of detection and tracking 够摆脱对显卡的依赖，使该系统的成本更加低廉 mechanism for small UAS /2016 International Conference on Unmanned Aircraft Systems (ICUAS).Arlington,2016:1254 参考文献 [6]Nam H.Han B.Leaming multi-domain convolutional neural [1]Dimitropoulos K,Grammalidis N,Gragopoulos I,et al.Detection, networks for visual tracking Proceedings of the IEEE tracking and classification of vehicles and aircraft based on Conference on Computer Vision and Pattern Recognition.Las类，得到单旋翼无人机图片 150 张、四旋翼无人机 图片 155 张和多旋翼无人机图片 158 张. 之后用 labellmg 软件对图片中的无人机进行标注，每一张 图片均有与之相对应的注释文件，里边有包含无 人机边界框的位置大小和信息： [top_x top_y width height] （5） 3.2    训练结果 采用迁移学习对无人机图片数据集进行训练[22−23] ， 90% 的图片用于训练，10% 的图片用于测试. 基于 YOLOv3 已有的预训练权重，在配备 NVIDIA GTX 1060 的电脑上进行了 10 万次训练，训练出来的模 型能够达到 83.24% 的准确率和 88.15% 的召回率， 结果如表 1 所示. 使用该模型进行实时测试处理 速度能达到每秒 20 帧，在同一平台上相较于 SSD 模型每秒 14 帧的速度有了较大的提升. 该速度足 够让摄像头去追踪飞行的无人机并解算出无人机 的坐标. 图 6 是 YOLOv3 模型与 SSD 模型的实测 效果图对比，SSD 的预测框效果优于 YOLOv3，但 速度上不及 YOLOv3，考虑到实时性的要求，在实 际应用场景中，选择 YOLOv3 更合适. 4    结论 （1）训练好的 YOLOv3 模型在测试集上能够 达到 83.24% 的准确率和 88.15% 的召回率. （2）在 NVIDIA GTX 1060 平台上实时测试模 型能够达到每秒 20 帧的速度，对视频帧进行目标 检测能获取无人机的位置信息，实现对无人机的 追踪. （3）根据两个或多个摄像头的参数，能实时解 算出无人机的空间坐标，实现对无人机的定位. 对于今后的工作，我们准备获取更多场景下的 无人机数据集来进行模型训练，选取速度更快、占 用资源更小的模型来进行无人机识别，让模型能 够摆脱对显卡的依赖，使该系统的成本更加低廉. 参    考    文    献 Dimitropoulos K, Grammalidis N, Gragopoulos I, et al. Detection, tracking  and  classification  of  vehicles  and  aircraft  based  on [1] magnetic sensing technology. Int J Appl Math Comput Sci, 2006, 1: 195 de Haag M U, Bartone C G, Braasch M S. Flight-test evaluation of small form-factor LiDAR and radar sensors for sUAS detect-and￾avoid  applications  //  2016 IEEE/AIAA 35th Digital Avionics Systems Conference (DASC). Sacramento, 2016: 1 [2] Saqib M, Khan S D, Sharma N, et al. A study on detecting drones using  deep  convolutional  neural  networks  //  2017  14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). Lecce, 2017: 1 [3] Aker C, Kalkan S. Using deep networks for drone detection // 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). Lecce, 2017: 1 [4] Ganti  S  R,  Kim  Y.  Implementation  of  detection  and  tracking mechanism  for  small  UAS  //  2016 International Conference on Unmanned Aircraft Systems (ICUAS). Arlington, 2016: 1254 [5] Nam  H,  Han  B.  Learning  multi-domain  convolutional  neural networks  for  visual  tracking  // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.  Las [6] 表 1    模型的准确率和召回率 Table 1    Precision and recall of model Index Counts Categories Accuracy/% Recall/% 1 150 Single rotor 88.00 86.00 2 155 Four rotors 78.06 92.23 3 158 Multiple rotors 83.54 86.16 Average 83.24 88.15 Drone: 1.00 Drone: 0.98 Drone: 1.00 Drone: 0.94 Drone Drone Drone Drone 图 6    SSD 及 YOLOv3 的检测结果（图片上方是 SSD 模型的检测结果，下方是 YOLOv3 的检测结果） Fig.6    SSD and YOLO’s test results (Above the picture is the test result of the SSD model, below is the test result of YOLOv3) 陶    磊等： 基于 YOLOv3 的无人机识别与定位追踪 · 467 ·