近年来,随着航空业飞速发展,机场内鸟击事件频繁发生,严重威胁到人们的生命财产安全。传统的驱鸟手段存在效率低、成本高、时效性短等问题,现如今驱鸟技术又面临着机场飞鸟数量多、体积小、聚集情况复杂等众多挑战。本文主要进行机场探鸟系统中鸟类目标检测关键技术研究。针对机场飞鸟检测精度不高的问题,本文提出了一种时域变化滤波(TemporalVariationFilter,TVF)算法和基于高斯热图感知的鸟目标检测网络(BirdDetectionNetworkbasedonGaussianHeatmapPerception,BDGHP-Net)相结合的二级机场鸟类目标探测算法。首先,利用时域的变化特性,设计了一种时域变化滤波方法,对拍摄的机场飞鸟红外视频序列中的运动目标进行一级检测,得到运动区域(即单只飞鸟和空间有重叠的多只飞鸟)的矩形候选框;其次,对候选框按照面积分布进行筛选,如果候选框面积小于群鸟均值面积的一定阈值倍数,则认为目标框是是单一目标框,直接作为检测结果输出;否则认为目标框中包含多只飞鸟,送入BDGHP-Net网络进行二级检测;接着,本文设计了一种基于高斯热图感知的鸟类目标检测网络,利用红外视频中鸟类目标呈现的中心最亮以及离中心距离变大而慢慢变暗的外观特性,采用高斯模板对标注的真值矩形区域进行滤波以生成具有高斯分布的鸟目标伪真值样本,网络结构中采用VGG16网络作为基干网络提取鸟目标的深度特征,利用MaxPooling滤波处理对多通道的显著区域进行增强处理,引入1×1卷积操作降低网络参数个数,有效提高网络推理速度;采用均方误差损失函数对输入的候选框区域内的图像进行像素级的鸟目标预测;最后对BDGHP-Net网络预测得到的高斯热图采用分水岭分割算法进行后处理得到各个飞鸟连通区域。为验证本文提出的机场鸟类目标探测算法方法的有效性,分别在所拍摄的Bird＿a和Bird＿b红外数据集上进行了检测性能测试。本文在Bird＿a和Bird＿b数据集上的调和平均值分别达到了88.7%和92.2%,与近几年的一些主流目标检测器进行了对比实验,在Bird＿a数据集上,本文算法相比FasterR-CNN、MaskR-CNN、RFB、YOLOv3、HSD和YOLOv4算法的调和平均值分别高了14.6%、10.5%、7.6%、9.7%、4.8%和2.9%;在Bird＿b数据集上,本文算法相比FasterR-CNN、MaskR-CNN、RFB、YOLOv3、HSD和YOLOv4算法的调和平均值分别高了12.9%、9.4%、6.4%、8.0%、4.3%和2.1%,从而验证了本文方法的有效性。在运行速度方面,本文的帧率达到了21.1,能够满足实时性的要求。实验结果表明,本文提出的二级鸟类目标检测算法对机场低空区域内出现的飞鸟能够进行有效检测。结合本课题提出的检测算法,设计了基于机器视觉的激光驱鸟机器人系统。系统主要由二自由度反射镜、高频激光发射器、网络摄像头、反射镜伺服控制器和视频序列处理模块构成,其中视频序列处理模块包括目标检测、目标跟踪以及伺服控制算法实现。本文开发的机场驱鸟系统能够实现自动化定位、追踪以及刺激驱赶飞鸟,能够有效解决机场内鸟类事故频发的问题。