FenixEdu™

Dissertação

Detection and Tracking of Non-Cooperative UAVs: a deep learning moving-object tracking approach EVALUATED

Detalhes: A recente proliferação de pequenos veículos aéreos não tripulados trouxe consigo sérias preocupações a nível de proteção e segurança para as organizações reguladoras civis e militares. A deteção e rastreamento destes dispositivos é fundamental para o desenvolvimento de medidas capazes de enfrentar e mitigar as ameaças apresentadas por estes sistemas aéreos não cooperativos. Os métodos convencionais de deteção visual de objetos analisam imagens individualmente e de forma independente, ignorando informação contextual que imagens sucessivas possam conter. Para o rastreamento de objetos, existem dois tipos de memória que devem ser considerados para um melhor desempenho: memória de observações passadas e memória de deteções passadas. A memória de observações passadas permite ao algoritmo concentrar-se nas diferenças entre as observações atuais e anteriores, destacando os objetos em movimento. A memória de deteções passadas permite ao algoritmo identificar mais facilmente os objetos e suas classes, tendo em conta os objetos que anteriormente ocupavam a mesma posição. Esta tese apresenta uma nova abordagem, baseada em ambos os tipos de memória, usando subtração de imagens consecutivas e uma nova versão do algoritmo ByteTrack. O sistema final combina o detector You-Only-Look-Once (YOLOv7) com uma versão melhorada do algoritmo ByteTrack, para obter um F1-score tendo em conta os identificadores dos resultados, IDF1 de 0,960 e uma Multiple Object Tracking Accuracy (MOTA) de 0,991 num subconjunto de teste criado a partir do Anti-UAV dataset. Todos os cálculos foram realizados numa única Graphics Processing Unit (GPU) a uma taxa de 29,4 imagens por segundo.
Keywords: Veículo aéreo não tripulado, radiação infravermelha, detector de objetos, YOLO, rastreamento

Discussão: dezembro 12, 2022, 14:0