近年来随着无人机技术的飞速发展,因无人机使用不当造成的社会危害也越来越大,检测无人机变得十分重要。由于常用的反无人机系统多针对特定的军事领域,具有价格昂贵、体积巨大等缺点,因此,本文设计了一套低成本的基于霍夫森林框架的四旋翼无人机检测技术。针对传统霍夫森林算法的缺点,本文分别给出了对应的改进方法,从减少霍夫投票时背景投票的干扰、全局检测耗时、目标-模板尺度不匹配、特征提取及优化、霍夫图像中的目标中心检测等方面进行了研究。本文的主要工作如下:(1)针对传统霍夫森林算法采用全图多尺度检测导致的背景投票干扰、全局检测耗时、目标-模板尺度不匹配的问题,本文采取先提取无人机感兴趣区域的方式,采用了一种基于形态学梯度和轮廓包围框限制的算法来提取无人机感兴趣区域,再将提取出的感兴趣区域的尺度直接调整到训练模板的大小(64×64像素)后送入霍夫森林进行单尺度检测,最后根据在霍夫图像中检测的目标中心块对感兴趣区域的包围框进行二次筛选。此方式解决了传统霍夫森林采用多尺度尝试导致的检测耗时、尺度遗漏及包围框估计不准确的问题,并且能检测出成像尺寸较小的目标。实验证明本文的算法使无人机的检测速度相比于原始霍夫森林算法的速度提高了11倍,并且能够检测尺寸大于30×30像素、长宽比为0.3到3之间的无人机感兴趣区域。(2)在图像特征提取方面,针对传统霍夫森林算法采用LAB颜色特征的不足,本文采用了一种基于分层LBP(Local Binary Patterns,LBP)的特征提取算法,将其与亮度信息、HOG(Histogram of Oriented Gradient,HOG)特征、边缘特征组合作为霍夫森林的候选特征。实验证明,它们在地面背景和天空背景下生成的霍夫图像的信息熵均值相比于原始算法分别减小了3.57%、3.60%,而楼房背景下则减小了26.15%。表明本文改进后的特征对目标中心的定位更聚集、投票后的背景更纯净。(3)在霍夫图像中检测目标中心时,针对采用固定阈值或局部极大值具有不能自适应阈值的缺点,本文采用了一种基于MSER(Maximally Stable Extremal Regions,MSER)和包围框确定的目标中心检测算法,根据区域面积随阈值变化表现出的稳定性来完成检测。实验证明本算法对霍夫投票的强度具有鲁棒性,能够检测目标中心的最大灰度值范围为95到255的霍夫图像。(4)搭建了融合上述改进算法的检测系统并制作可见光下的无人机数据集,在不同场景下验证了本文系统的检测效果。测试结果证明本方法在天空和楼房背景下检测效果良好,对互联网上相似外观的目标也具有适应性,且在天空背景下能检测出最小尺寸为40×40像素的无人机,解决了原始霍夫森林算法对小目标检测失效的问题。