无人机快速发展并被广泛应用,但由于管控手段不足,小型无人机“黑飞”事件频发,反无人机技术的需求越来越迫切。雷达、无源射频、声学探测等航空探测手段虽然能获取无人机目标的位置信息,但由于成本较高等原因在反小型无人机方面并不能有效使用。而机器视觉能够在较低的成本下检测与跟踪小型无人机目标,通过摄像机实时采集低空区域的视频图像,对采集的视频图像进行相应处理来实现对小型无人机的检测与跟踪。但反小型无人机系统的检测和跟踪过程中无人机目标尺寸小、飞行姿态多变、飞行环境复杂,采集的视频图像质量是视觉目标跟踪准确的重要影响因素,因此研究复杂天气环境下小型无人机目标检测与跟踪技术尤为重要。为此,为了提高复杂天气环境下无人机目标检测与跟踪的准确性,针对影响视频采集质量最大的雾霾和雨两种复杂天气环境下所捕获的视频图像对比度和清晰度均降低,跟踪目标易丢失的问题,重点研究这两种天气环境下的小型无人机目标检测与跟踪方法,主要研究内容如下:(1)针对暗通道先验去雾算法所获取的图像在不同景深处易丢失图像的清晰度,以至于目标难以被检测到的问题,提出了一种基于不同远近景的高斯加权融合暗通道去雾霾的改进方法。首先在暗通道先验基础上高斯加权函数,对暗通道图在不同景深位置赋予不同权值,利用边界约束来对场景透射率粗估计,再利用上下文正则化对场景透射率细化得到更准确的透射率值,最后得到了清晰度和保边度良好的无雾图。(2)针对图像在下雨天气时信息会被遮挡而不清晰的问题,研究了图像去雨算法。对去雨算法的原理和特性分析并比较,选择了更适合课题的基于图像分层的去雨算法。首先在图像分层理论上利用高斯混合模型,然后不断更新图像并利用最小误差性质,最后得到去雨后的图像,通过对三种去雨算法进行了介绍和分析比较,图像分层去雨后的图像细节丰富,清晰度和对比度提高。(3)针对无人机运动目标尺寸小、状态多变难以被检测的问题,基于视频的检测方法主要分为两种,一种是基于单帧图像特征的无人机检测,和另一种多帧运动信息的无人机检测。单帧图像特征检测主要采用方向梯度直方图特征(HOG)和支持向量机(SVM)检测方法,但HOG滑窗耗时过长不能保证检测的实时性,因此结合一级傅立叶描述子(FD)简化了特征时间,并把FD+HOG+SVM改进算法作为单帧无人机的检测算法并实现。基于运动信息的检测主要是对无人机运动目标进行帧差分法和ViBe算法检测,与HOG+SVM算法结合对视频连续帧中无人机运动目标检测并进行实验测试,改进的检测方法有更好的无人机形状识别能力,能够对无人机进行有效的检测识别,且查准率较高能满足系统的准确度需求。(4)针对核相关滤波(KCF)算法对移动目标速度快导致跟踪困难的问题,提出基于卡尔曼滤波的改进KCF算法,利用标样本更新机制,保留前一时刻的可信度高的图像,通过特征点的匹配操作,重新进行跟踪。实验结果表明,改进的KCF算法能够对运动目标准确跟踪,能使在目标大小突变的情况仍能跟踪目标。通过对雾霾天和雨雪天环境下的图像复原清晰预处理,再对视频图像中小型无人机特征对其检测,最后通过改进的目标样本更新和特征点匹配的跟踪算法对无人机跟踪,完成对复杂天气环境下小型无人机目标检测与跟踪。结果表明,本文方法能在复杂环境下实现对小型无人机精确检测和跟踪,具有较强的适应性和鲁棒性。