无人机技术近年来发展迅猛,广泛应用于各行各业。然而,随着无人机技术的不断发展,无人机引发的恐怖袭击、武装冲突事件越来越多,机场的黑飞事件、隐私泄露事件也时有发生,无人机技术的需求越来越强烈。因此,研究精准的无人机检测方法对于国防和社会安全具有重要的意义。然而,由于无人机具有“飞行轨迹低、运动速度慢、体积小”等特点,检测存在一定的困难。针对无人机目标过小难以检测、检测受光线限制、易与空中飞行的鸟类混淆、检测速度难以达到实时性标准、难于跟踪等问题,本文提出了一种基于计算机视觉技术的无人机检测方法,具体解决方案如下:1.为了解决夜间或光线昏暗条件下难以检测的问题,本文建立了可见光和热像两种数据集,用于日、夜间两种模型的生成,并加入Det-Fly公开数据集对自采数据集进行补充,共包含23858张图像的数据。同时,加入两种数据增强方法。为弥补热像模型与可见光模型的检测差距,在热像数据集中添加了灰度化可见光图像的数据增强技术;为进一步提高数据集背景、位置多样性,对两种数据集都增加一种针对小目标的数据增强方法。实验结果能够证明两种数据增强方法的有效性。2.针对实际应用场景对检测速度的要求,本文选用检测速度较快的YOLOv5算法实现无人机目标检测模型。通过对YOLOv5的不同版本和输入分辨率进行测试,确定了适合无人机检测的最优参数,并得到可见光和热像两种检测模型。同时,在YOLOv5无人机检测模型的基础上增加基于BN层的模型剪枝方法,以进一步提高模型的检测速度。为了解决无人机与鸟类混淆的问题,本文选用Efficient Net算法对YOLOv5检测结果进行二次分类,能够有效提高检测精度。3.为解决目标检测中可能出现的遮挡、重叠或不清晰等问题,本文引入了多目标跟踪算法Deep SORT实现无人机目标的实时跟踪,并对其进行了改进,引入DIo U匹配方式提高预测轨迹的准确性和降低目标跟丢次数。实验结果表明,本文方法在无人机目标跟踪方面具有较高的准确性,且能够满足实时性标准。为了更好地展示跟踪效果,本文基于Python GUI实现了跟踪系统可视化展示,提供可见光、热像模式选择,能够精准定位每个出现在视野中的无人机目标并实时追踪。总体来说,本文提出了一种基于计算机视觉技术的无人机检测方法,通过数据集优化处理、模型选择和剪枝、检测+跟踪模式等,解决了无人机检测领域常见的检测难点。实验结果显示,所提出算法在精度和速度方面均有一定的优势,该方法具有一定的实际应用价值,可以为无人机技术的发展提供一定的参考和指导。