随着低空空域逐步开放,低慢小目标的种类及数量逐步增加,尤其是多旋翼小型无人机,由于其操作简便、价格适中,在众多飞行器中占据了主流地位。但同时,相比其他低慢小目标,小型无人机因其强机动性以及高隐蔽性,严重危害了公共安全与个人隐私安全。因此,反无人机系统的理论、技术及平台研究受到了国内外政府、学术界以及工业界的高度重视。小型无人机是一种典型的低慢小目标,其探测面积小、飞行轨迹无明显规律、所在低空背景复杂,对其进行检测是一个巨大的挑战。本文设计并实现了一种基于视觉的多尺度低空小型无人机检测系统。该系统对不同空域特点采取不同的检测手段,一是远距离空域下的弱小目标检测,二是近距离空域复杂背景下的小目标检测,系统实现了全空域覆盖无人机监测。本文主要研究内容包括:(1)针对弱小目标检测易受复杂地面部分信息干扰的问题,设计了一种基于先验信息的自学习天空分割算法用于提取天空区域。首先,对在不同天气、光照等情况下天空区域的固有特征进行了详细分析,提炼天空区域的先验信息。然后,根据Sobel算子获取图像梯度图。在不同梯度阈值下,获取不同的天空边界并其对应的能量函数值。通过对能量函数进行优化,获取最优的初始天空区域。再对初始天空区域进行K-means聚类获得“真实天空”,并根据“真实天空”对其他区域进行二次分割。最后,对分割结果进行基于形态学的优化。本算法仅需要单张图片即可实现自学习分割,无需建立大量数据集进行训练。在实验中,将该算法与基于深度学习的BiSeNet等算法进行比较,实验结果表明该算法在检测效果和处理速度的综合性能优于其它算法。(2)基于弱小目标的局部视觉显著性,提出了 一种时空融合的谱残差显著性检测方法。该算法将图像的二维空间信息转换到频域中,避免了直接在空间中对图像进行处理,有效的保留了弱小目标微弱的表观特征。同时,为抑制背景杂波,在原有的谱残差显著性模型(Spectral Residual,SR)的基础上加入了时域信息。为模拟前序图像信息随时间的衰减,采用时域递归加权进行时域信息的融合。在实验中,本算法与常用的6种现有的弱小目标检测方法进行了对比,实验结果表明,本算法能在复杂背景下,一定程度上避免因远距离成像不稳定造成的漏检情况,同时也能降低背景中高频噪声的误检情况,检测性能有明显提升。(3)根据近距离空域背景复杂以及无人机目标小的特点,提出了 一种基于改进YOLOv3(You Only Look Once)的小目标检测网络。首先,通过基于核相关滤波跟踪法(Kernelized Correlation Filter,KCF)的半自动标注的方式,对实验视频的目标进行标注,生成大量训练样本,建立数据集。然后,针对目标尺度小的特性,本算法改进了 YOLOv3,结合了更精细的粒度特征与上下文信息,增强算法对小目标的检测能力(成像小于500个像素的目标)。最后在测试数据集以及实地场景的实验中进行验证,实验结果表明该检测算法对复杂背景下的小目标的检测性能有明显提升,且在系统中能实现实时检测。(4)设计系统整体方案并实现。本系统可同时对近距离空域以及远距离空域进行实时监测。系统使用PTZ(Pan-Tilt-Zoom)云台摄像机对近距离空域进行巡航,采用具有高鲁棒性和强泛化性能的深度学习检测算法对无人机目标进行检测。远距离空域采用全景摄像机对疑似弱小目标进行监测(目标小于100个像素),首先使用基于先验信息的自学习天空分割方法分割出天空区域排除地面部分的影响,然后使用基于时空融合的显著性目标检测算法对天空的疑似目标进行检测,其后根据全景画面提供的目标方位调取细节相机对目标放大识别。系统还加入了摄像机云台随动功能以及用户交互模块。