无人机的快速发展和广泛应用带来各种便利的同时也导致了无人机的“黑飞”、“滥飞”的事件频发,严重危害公共安全和个人隐私,反无人机的需求也越来越强。反无人机系统的研究及其实现在反恐、治安管控、安全生产方面具有重要意义。无人机是典型的低慢小目标,其特点为飞行高度低,所处环境复杂,速度慢,多普勒效应不明显,有效探测面积较小,难以检测等特点。但是目前国内还没有成熟的无人机探测系统,国外的无人机视觉探测系统对无人机的探测距离和精度也有限。针对反无人机系统的需求以及现有系统的不足,本论文设计了一种基于视觉的无人机入侵检测与跟踪系统。系统通过摄像机进行图像采集,使用机器视觉的方法,对采集的视频图像进行相应的图像处理从而实现对入侵无人机的检测与跟踪。本论文的主要研究内容包括:1.将方向梯度直方图特征结合支持向量机分类器(Histogram of Oriented Gradient and Support Vector Machines,HOG+SVM)的算法应用于无人机检测并通过大量实验对不同参数下HOG+SVM算法的性能进行对比分析后得到最适用于无人机检测的参数。针对无人机尺度较小的问题,通过使用特征金字塔从而实现对无人机小目标的检测。实验结果表明,选取合适的参数并进行足够的训练后,算法的查全率和查准率较高且能满足系统的准确度需求,检测效果优秀。2.采用高分辨率摄像机对无人机小目标进行实时监控。针对高分辨率图像下,HOG+SVM算法的运算速度较慢无法满足系统实时性需求的问题,本论文结合使用视觉背景提取(Visual Background Extractor,ViBe)算法和三帧差分法提出的改进的运动目标检测算法改进了三帧差分法在摄像机抖动时失效的缺点和ViBe算法会出现鬼影的缺点从而提高了运动目标检测的准确度。然后将改进的运动目标检测算法与HOG+SVM算法结合,在运动目标检测获得的感兴趣区域中使用HOG+SVM算法进行无人机检测。实验结果表明,结合了运动目标检测算法的HOG+SVM算法降低了误检率且能满足实时性需求。3.通过多尺度核相关滤波(Kernelized Correlation Filters,KCF)算法对无人机小目标进行多尺度跟踪,并针对KCF算法难以跟踪快速运动的无人机的问题提出了一种基于卡尔曼滤波的改进KCF算法实现对快速运动目标的跟踪。算法通过卡尔曼滤波预测目标在当前帧和下一帧之间的位移从而估计下一帧中无人机所在的位置,最后在估计的位置进行KCF跟踪。实验结果表明,改进的KCF算法可实现对快速运动目标的跟踪且跟踪精度等性能基本不变且满足系统实时性需求。4.设计系统的整体实现方案,根据目标检测结果初始化跟踪算法,若跟踪失败则重新检测,检测到目标后再次跟踪目标。使用多线程和链队列实现图像的共享储存、读取和实时处理。设计了系统的客户端软件,实现摄像机选择控制及无人机检测跟踪结果实时显示等各种功能。最后对系统功能进行测试,经验证,系统可实现对无人机小目标的检测跟踪且有效距离白天可达480米,夜间可达180米,精度高,且系统实时性好。