464 工程科学学报，第42卷，第4期 rotors of the drone.In the experiment,the detection model was trained by the dataset classified by the number of rotors.The trained model can achieve 83.24%accuracy and 88.15%recall rate on the test set,and speed of 20 frames per second on the computer equipped with NVIDIA GTX 1060 for real-time tracking. KEY WORDS 5G;object detection:you only look once (YOLOv3);proportion integration differentiation (PID);drone tracking 近年来，越来越多的无人机出现在我们的生 以追踪无人机.根据两台或多台摄像头的参数，对 活中，无人机数量的激增，使得无人机市场前景开 出现在多台监控摄像头中同一无人机进行坐标解 阔，但是也给城市安保带来了更大的挑战山.出于 算从而定位无人机 对公众安全的考虑，各地政府在机场、会议场所等 1 区域，禁止未经许可的无人机飞行.因此，在特定 相关工作 区域对无人机进行监测是安防的迫切需求 目前为止，无人机的识别方法多种多样，方法 由于无人机具有体积较小、雷达截面小、低速 主要集中在图像识别、音频信号分析、频谱探测 的特点，利用传统的雷达设备很难探测或者是识 以及雷达数据分析等方面.电气电子工程师学会 别无人机四在城市环境中，声音较为嘈杂，无人机 (Institute of Electrical and Electronics Engineers,IEEE) 更可穿梭于高楼之间，利用声传感器也很难探测 为了促进无人机识别的研究，甚至还为此举办了 到无人机.所以目前迫切需要建立一套对指定区域 无人机鸟类检测挑战大赛(Drone-vs-bird detection 进行无人机实时监测、精准识别的监控系统】 challenge)l7.下文介绍现已有的方法. 在5G、物联网即将到来的时代，城市区域的 最早的研究采用雷达信号分析来探测无人 监控系统已经日趋完善.5G网络低延时、网速快 机，此方法首先利用多雷达对目标进行不同角度 的特点，让实时共享监控视频不再成为难点.利用 的观测，然后对雷达数据进行短时傅里叶变化处 城市监控摄像头网络组成的监控系统，实时对指 理以得到频谱图，接着利用主成分分析法从频谱 定区域进行无人机监测、识别和预警是一种解决 图中提取特征，再利用支持向量机进行训练与分 无人机监管问题的有效方法0.此方法的关键在 类识别8 于对监控摄像头传输回来的视频进行实时有效的 基于音频信号识别的方法主要是通过对无人 处理，从视频中检测是否存在无人机，以便对其进 机的声音特性进行分析，在时域和频域分别对采 行跟踪与定位 集的无人机音频信息进行分析和处理，借助梅尔 目标检测是目前计算机视觉领域的一个重要 频率倒谱系数及线性预测倒谱系数等进行特征的 的研究方向.近几年深度学习的快速发展，以及计 算机计算能力的大幅提升，图像目标识别与分类 提取，用以建立无人机音频识别库，最后借助特征 在准确度和速度上都有了极大的提升.目标检测 匹配算法达到识别无人机的目的9 领域的深度学习算法主要分为one-stage与two- 随着机器学习算法的发展和应用，无人机识 stage两类，前者速度快，后者速度高.one-stage有 别也有了新的手段.通过摄像机自动侦测和追踪 SsD(Single shot multibox detector,,单发多盒)、 小型飞行物获得不同角度拍摄到的无人机图片， YOLO等系列，two-stage有R-CNN(Rich feature 组成视频集，再用卷积神经网络来提取特征，采用 hierarchies for accurate object detection and semantic K邻近算法对目标进行分类0.此外，还有一种基 segmentation,.用于精准目标检测和语意分割的多功 于迁移学习稀疏自动编码器(Sparse auto-encoder, 能层次结构)、Fast R-CNN(Fast region-based SAE)的无人机识别算法，借助SAE对大量目标进 convolutional network method,基于区域的快速卷积 行无监督学习以获取局部特征，然后采用卷积神 神经网络方法)等系列-)，目前在各类数据集上 经网络算法提取目标全局特征，由Softmax函数输 测试效果最好的算法是YOLO系列的最新一代 出结果实现对目标的分类 YOLOV3114-161 2无人机识别和定位方法 基于目标检测算法和监控系统，本文提出了 -种基于YOLOv3算法的无人机监测识别与定位 为了使用YOLOv3模型去检测无人机目标， 的方法，它直接对监控视频内容进行实时检测，识 本文对模型做了一定的修改再进行训练，以获取 别出无人机之后，用PID算法去控制摄像头移动 无人机在图像中的坐标信息，为后续的PD算法、rotors of the drone. In the experiment, the detection model was trained by the dataset classified by the number of rotors. The trained model can achieve 83.24% accuracy and 88.15% recall rate on the test set, and speed of 20 frames per second on the computer equipped with NVIDIA GTX 1060 for real-time tracking. KEY WORDS    5G；object detection；you only look once (YOLOv3)；proportion integration differentiation (PID)；drone tracking 近年来，越来越多的无人机出现在我们的生 活中. 无人机数量的激增，使得无人机市场前景开 阔，但是也给城市安保带来了更大的挑战[1] . 出于 对公众安全的考虑，各地政府在机场、会议场所等 区域，禁止未经许可的无人机飞行. 因此，在特定 区域对无人机进行监测是安防的迫切需求. 由于无人机具有体积较小、雷达截面小、低速 的特点，利用传统的雷达设备很难探测或者是识 别无人机[2] . 在城市环境中，声音较为嘈杂，无人机 更可穿梭于高楼之间，利用声传感器也很难探测 到无人机. 所以目前迫切需要建立一套对指定区域 进行无人机实时监测、精准识别的监控系统[3−8] . 在 5G、物联网即将到来的时代，城市区域的 监控系统已经日趋完善. 5G 网络低延时、网速快 的特点，让实时共享监控视频不再成为难点. 利用 城市监控摄像头网络组成的监控系统，实时对指 定区域进行无人机监测、识别和预警是一种解决 无人机监管问题的有效方法[9−10] . 此方法的关键在 于对监控摄像头传输回来的视频进行实时有效的 处理，从视频中检测是否存在无人机，以便对其进 行跟踪与定位. 目标检测是目前计算机视觉领域的一个重要 的研究方向. 近几年深度学习的快速发展，以及计 算机计算能力的大幅提升，图像目标识别与分类 在准确度和速度上都有了极大的提升. 目标检测 领域的深度学习算法主要分为 one-stage 与 two￾stage 两类，前者速度快，后者速度高. one-stage 有 SSD（ Single shot  multibox  detector,   单 发 多 盒 ） 、 YOLO 等 系 列 ， two-stage 有 R-CNN（ Rich  feature hierarchies  for  accurate  object  detection  and  semantic segmentation,用于精准目标检测和语意分割的多功 能 层 次 结 构 ） 、 Fast  R-CNN（ Fast  region-based convolutional network method, 基于区域的快速卷积 神经网络方法) 等系列[11−13] ，目前在各类数据集上 测试效果最好的算法是 YOLO 系列的最新一代 YOLOv3[14−16] . 基于目标检测算法和监控系统，本文提出了 一种基于 YOLOv3 算法的无人机监测识别与定位 的方法，它直接对监控视频内容进行实时检测，识 别出无人机之后，用 PID 算法去控制摄像头移动 以追踪无人机. 根据两台或多台摄像头的参数，对 出现在多台监控摄像头中同一无人机进行坐标解 算从而定位无人机. 1    相关工作 目前为止，无人机的识别方法多种多样，方法 主要集中在图像识别、音频信号分析、频谱探测 以及雷达数据分析等方面. 电气电子工程师学会 （Institute of Electrical and Electronics Engineers, IEEE） 为了促进无人机识别的研究，甚至还为此举办了 无人机鸟类检测挑战大赛（Drone-vs-bird detection challenge） [17] . 下文介绍现已有的方法. 最早的研究采用雷达信号分析来探测无人 机，此方法首先利用多雷达对目标进行不同角度 的观测，然后对雷达数据进行短时傅里叶变化处 理以得到频谱图，接着利用主成分分析法从频谱 图中提取特征，再利用支持向量机进行训练与分 类识别[18] . 基于音频信号识别的方法主要是通过对无人 机的声音特性进行分析，在时域和频域分别对采 集的无人机音频信息进行分析和处理，借助梅尔 频率倒谱系数及线性预测倒谱系数等进行特征的 提取，用以建立无人机音频识别库，最后借助特征 匹配算法达到识别无人机的目的[19] . 随着机器学习算法的发展和应用，无人机识 别也有了新的手段. 通过摄像机自动侦测和追踪 小型飞行物获得不同角度拍摄到的无人机图片， 组成视频集，再用卷积神经网络来提取特征，采用 K 邻近算法对目标进行分类[20] . 此外，还有一种基 于迁移学习稀疏自动编码器 (Sparse auto-encoder, SAE) 的无人机识别算法，借助 SAE 对大量目标进 行无监督学习以获取局部特征，然后采用卷积神 经网络算法提取目标全局特征，由 Softmax 函数输 出结果实现对目标的分类. 2    无人机识别和定位方法 为了使用 YOLOv3 模型去检测无人机目标， 本文对模型做了一定的修改再进行训练，以获取 无人机在图像中的坐标信息，为后续的 PID 算法、 · 464 · 工程科学学报，第 42 卷，第 4 期