基于 YOLO 与规则方法的无人机检测与跟踪

这份资料讨论的是一个很具体的问题：无人机从军事、工业和商业用途扩展到安全巡检、运输、研究与娱乐飞行后，公共空间里的活动量上升，隐私保护与安全监管需要落地，边界侵入这类非法飞行就需要被检测出来。作者是 Helmut Schmidt University 的 Purbaditya Bhattacharya 与 Patrick Nowak。材料指出，这类检测任务通常被自动化，由在标注图像数据集上训练的深度学习模型完成，因此“数据从哪里来、模型怎么训、视频里怎么跟”构成了整条链路。值得看的地方在于，它没有只停在模型结构上，而是把数据集扩展、YOLOv7 训练比较和视频跟踪放在同一个系统叙述里。

覆盖范围从采集端一直延伸到部署端。系统概览里，校园区域的摄像头在5G室外网络覆盖下记录飞行无人机，处理后的视频流传输到室内网络，再由运行检测算法的计算机接收，结果可以显示或继续转发给另一台机器。视频收发使用GStreamer多媒体框架，管线主要涉及UDP收发、处理与转换、编解码和缓冲；检测端是定制的预训练YOLOv7模型，运行在Docker容器中，容器内是带GStreamer支持的Python OpenCV。数据来源则是三台相机在两个地点拍摄的无人机视频，标注后用于训练和评估。

数据集层面的关键动作是扩展而不是另起炉灶。先前工作已经公开了一个红外图像数据集，由FLIR Scion OTM366和InfraTec VarioCAM HD Z在大学校园与城市港口两个地点采集并标注；这次加入的是同一地点拍摄的彩色图像，并在港口用可转向三脚架录制了背景信息更多的视频，三台相机记录无人机时视角非常接近。具体数字上，FLIR Scion OTM366的分辨率是640×480像素，InfraTec VarioCAM HD Z是1024×768像素并配25-150mm变焦镜头，Sony α6000彩色相机是1920×1080像素。彩色图像用LabelImg手动标注，格式为Pascal VOC。换句话说，扩展的方向是同时增加红外与彩色模态、不同分辨率和更丰富的背景，而不是只堆积同质样本。

模型部分用扩展后的数据集训练YOLOv7及其若干minor variants，并对基础模型与加入更小模块的修改模型进行比较；材料说明会提供结果，但给定摘录没有展开具体精度数值，所以能确认的是训练与比较的对象和流程。由于检测模型基于单张图像输入，视频中会出现检测掉落，作者用一个简单的cross-correlation based tracker来减少掉落并改善跟踪表现。最后，资料把整个无人机检测系统做了汇总。这意味着它的贡献更像“数据集说明加系统骨架”，跟踪器是针对单帧检测在视频序列中的短板做的低成本补强，而不是另起一套复杂跟踪框架。

这些内容对实践的影响可以从两个层面看。监管层面，自动化检测系统可以基于非法活动生成警报，并让捕获系统采取行动；传感器层面，红外与可见光相机被视为可在不同环境条件下提供更好可见性的两类传感器，这解释了为什么数据集要同时保留红外和彩色图像。工程层面，GStreamer管线、UDP传输、Docker容器和OpenCV串起来，给出了一条从视频流接收、处理到检测结果输出的可部署路径。解读来说，这套方案的价值不在于宣称某个模型绝对领先，而在于把数据采集、标注、训练比较和视频跟踪放在一条可复现的工程链路上。

这份资料适合做无人机检测、红外与可见光目标检测、视频流工程以及数据集构建的读者。读完能拿走的是三台相机的分辨率配置与采集地点、LabelImg加Pascal VOC的标注流程、YOLOv7及minor variants的训练比较思路、GStreamer加Docker的部署链路，以及用互相关跟踪器补检测掉落的做法。边界也需要说清楚：给定材料没有给出检测精度、跟踪指标、误报率等量化结果，也没有展开各模型变体的具体结构差异和训练超参数；数据覆盖的是大学校园与港口两个地点、三台相机，不能直接外推到所有场景。

Drone Detection and Tracking with YOLO and a Rule-based Method Purbaditya Bhattacharya Dept. of Signal Proc. and Comm. Helmut Schmidt University Hamburg, Germany [email protected] Patrick Nowak Dept. of Signal Proc. and Comm. Helmut Schmidt University Hamburg, Germany [email protected] Abstract—Drones or unmanned aerial vehicles are traditionally used for military missions, warfare, and espionage. However, the usage of drones has significantly increased due to multiple industrial applications involving security and inspection, trans- portation, research purposes, and recreational drone flying. Such an increased volume of drone activity in public spaces requires regulatory actions for purposes of privacy protection and safety. Hence, detection of illegal drone activities such as boundary encroachment becomes a necessity. Such detection tasks are