0 引言

    無人機技術(shù)的發(fā)展十分迅速,。從美軍無人機的使用，到現(xiàn)在無人機在研究,、民用等多方面的普及,，無人機已成為一種新的潮流^[1-2]。隨之而來也帶來很多新問題,，此前無人機險撞戰(zhàn)機事件的發(fā)生,，就給人們敲響了警鐘。因此,，無人機警察系統(tǒng)的搭建勢在必行,。本文的研究重點為：建立視覺傳感網(wǎng)，用于無人機的圖像捕捉和信息存儲,；引入深度學(xué)習(xí)對無人機進行識別,，及時發(fā)現(xiàn)“黑飛無人機”，并采取相應(yīng)報警措施,，實現(xiàn)對無人機的全面監(jiān)管,。

1 視覺傳感網(wǎng)

    整個視覺傳感網(wǎng)（Visual Sensor Networks，VSNs）由多個節(jié)點組成,，每個節(jié)點都將由攝像機陣列構(gòu)成,，這將作為整個系統(tǒng)的基礎(chǔ)部分^[3],，如圖1,。

    城市環(huán)境下一個節(jié)點的安置示意圖如圖2。

    為了減輕對居民的干擾,，可以修改攝像機焦距參數(shù),，從而限制攝像機的拍攝范圍。通過多臺攝像機交叉覆蓋,，成功地將中間的空地區(qū)域全方位地納入監(jiān)控之中,。

    考慮到多節(jié)點所提供的龐大數(shù)據(jù)量以及優(yōu)化控制結(jié)構(gòu)的需要，將數(shù)據(jù)網(wǎng)絡(luò)設(shè)計成三層結(jié)構(gòu),。位于最底層的第三層由數(shù)量不等的節(jié)點構(gòu)成一系列簇組成,，每個簇內(nèi)的節(jié)點統(tǒng)一將數(shù)據(jù)發(fā)往一臺次級處理服務(wù)器。整個網(wǎng)絡(luò)內(nèi)的次級處理服務(wù)器構(gòu)成網(wǎng)絡(luò)的第二層,，將數(shù)據(jù)送往位于第一層的中央高級服務(wù)器,。

2 基于深度學(xué)習(xí)的圖像識別中心

    無人機警察系統(tǒng)中關(guān)鍵組成是圖像識別中心，其任務(wù)是將視覺傳感網(wǎng)中的圖像信息進行分析和處理,，從圖像中識別出無人機,，從而實現(xiàn)對無人機的監(jiān)控，屬于目標(biāo)識別領(lǐng)域,。目前這一領(lǐng)域已經(jīng)有了大量的優(yōu)秀成果出現(xiàn),。最常見有行人檢測問題,，可用的特征包括：Haar、HOG,、CSS,、LBP等多種，這些特征表達了人體的各個重要部分,，并且充分考慮了遮擋等情形,。王曉剛和歐陽萬里更提出了基于深度學(xué)習(xí)的行人檢測手段，通過聯(lián)合學(xué)習(xí)行人檢測中的4個重要組成部分——特征提取,、人體部件形變處理,、遮擋處理和分類，最大化了各自的作用^[4],。他們在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,，加入了形變處理層，最終習(xí)得的特征具有很強的判別力,，優(yōu)于HOG等特征,。王曉剛團隊的方案，是深度學(xué)習(xí)在目標(biāo)識別領(lǐng)域的成功應(yīng)用,，給本文的研究提供了研究參考,。再比如人臉識別問題^[5-6]，則具有更復(fù)雜的變化,，因為人臉受種族,、膚色、表情,、情緒,、光照環(huán)境、物體遮擋等眾多因素的影響,。推廣到各種特定物體的識別乃至場景識別,、深度學(xué)習(xí)也有很多方案^[7]。由于無人機警察系統(tǒng)中圖片信息量豐富,，且無人機的飛行狀態(tài)多樣,，因此識別難度較大。為此,，本文將引入深度學(xué)習(xí)算法,，并以卷積神經(jīng)網(wǎng)絡(luò)作為圖像識別中心。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

    2006年,，Hinton等人首次提出深度學(xué)習(xí)的概念^[8],，并開啟了深度學(xué)習(xí)的研究浪潮，其認(rèn)為：多隱層的人工神經(jīng)網(wǎng)絡(luò)能夠更好地模擬人腦的思考過程,，具有更加優(yōu)異的學(xué)習(xí)能力,，能夠?qū)?shù)據(jù)進行更本質(zhì)的刻畫,，從而提高可視化或者分類的能力。

    卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中第一個真正多層結(jié)構(gòu)學(xué)習(xí)算法,，其在圖像識別領(lǐng)域優(yōu)勢明顯,。它利用感受野、局部連接等概念極大地減少了參數(shù)量,，降低了網(wǎng)絡(luò)模型的復(fù)雜度,，提高了訓(xùn)練效率，且網(wǎng)絡(luò)對于平移,、縮放的各種變形都具備高度不變性,。

    卷積神經(jīng)網(wǎng)絡(luò)屬于前饋多層神經(jīng)網(wǎng)絡(luò)的一種，每層由多個二維平面組成,，多個神經(jīng)元組成了每個平面,，其結(jié)構(gòu)如圖3所示。

    卷積神經(jīng)網(wǎng)絡(luò)利用了一系列的卷積層,，降采樣層構(gòu)建了多層網(wǎng)絡(luò),，來模擬人腦感知視覺信號的逐層處理機制，從而提取圖像的多層次特征,。

    通過加入卷積層,，可以實現(xiàn)局部連接網(wǎng)絡(luò)，有效減少了需要訓(xùn)練的網(wǎng)絡(luò)參數(shù),。例如,，對一張大的圖片輸入，其尺寸為r×c,，隨機采樣為a×b的小圖片,，如果隱含節(jié)點為k個，那么最終學(xué)習(xí)到的特征數(shù)為：

    池化層是為了解決網(wǎng)絡(luò)輸出維數(shù)過大,、造成分類器難以設(shè)計的問題。同樣是根據(jù)統(tǒng)計結(jié)果的相似性原理,，池化操作對卷積得到的結(jié)果進行統(tǒng)計計算,，減少了需要訓(xùn)練的系統(tǒng)參數(shù)。

    權(quán)值更新采用BP反向傳播算法,。反向傳播的誤差可看做每個神經(jīng)元的基的靈敏度（即誤差E對基b變化率的偏導(dǎo)函數(shù)）,，然后利用以下關(guān)系式：

    最后的分類應(yīng)用了Logistic Regression擴展的一種多分類器：Softmax Regression。其系統(tǒng)方程及系統(tǒng)損失函數(shù)分別為：

2.2 基于深度學(xué)習(xí)的無人機識別流程

    由于視覺傳感網(wǎng)獲得的一系列圖像中,，關(guān)注的對象可能只占其中的一小部分像素區(qū)域,，又由于對象具有運動性，故在識別中心操作之前將采取幀差法提取感興趣的對象,，作為算法的正式輸入^[10-11],。二幀差法基本原理如下：

其中i(t),、i(t-1)分別為t、t-1時刻對應(yīng)像素點的像素值,，T為閾值,。

    基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的無人機識別流程如下所示。

    步驟一：數(shù)據(jù)預(yù)處理

    (1)幀差法提取目標(biāo)區(qū)域,；

    (2)數(shù)據(jù)格式轉(zhuǎn)換,；

    (3)預(yù)定義標(biāo)簽；

    步驟二：深度網(wǎng)絡(luò)訓(xùn)練,、測試

    (1)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò),，確定網(wǎng)絡(luò)層次結(jié)構(gòu)和權(quán)重參數(shù)等；

    (2)數(shù)據(jù)依次進入卷積層,、池化層,、全連接層，進行計算,；

    (3)采用Backpropagation Pass反向傳播,，進行參數(shù)調(diào)整；

    (4)當(dāng)誤差滿足或者迭代次數(shù)滿足時,，網(wǎng)絡(luò)停止訓(xùn)練,，進入Accuracy層計算準(zhǔn)確率并輸出（只在測試階段執(zhí)行，訓(xùn)練時不執(zhí)行）,。

3 識別性能與結(jié)果分析

    首先構(gòu)建了視覺傳感網(wǎng),，設(shè)置了2個節(jié)點，目前系統(tǒng)僅限于白天工作,。

    輸入2 848張圖片進行訓(xùn)練,，基礎(chǔ)學(xué)習(xí)率設(shè)置為0.001，迭代5 000次后獲得的模型用于之后的測試分析,。測試時輸入712張圖片,，模型正確分類的情形共有634例，可得：

    由于目前無人機識別方面沒有其他現(xiàn)成的模型可供比較,，因此本文分析了ROC曲線參數(shù),。在信號檢測理論中，接收者操作特征（Receiver Operating Characteristic,，ROC）是一種對靈敏度進行描述的功能圖像,，該圖像稱為ROC曲線。應(yīng)用ROC曲線來表示分類器的性能非常直觀,。同時為了定量且簡潔地表達這種性能,，Area Under roc Curve(AUC)被提出。AUC的值等于ROC曲線正下方的面積，AUC的數(shù)值越大,，分類器的性能越好,。圖4表示的是與ROC曲線繪制相關(guān)的一些量，依次為TP（True Positive）,、FP（False Positive）,、FN（False Negative）、TN（True Negative）,。

    在隨機分類模型,，對于任一樣本輸入，模型對其的預(yù)測score是完全隨機的,，假設(shè)預(yù)測score落在區(qū)間[0,，1]上，則預(yù)測概率數(shù)學(xué)表達為：

    因此本文的ROC曲線圖結(jié)果如圖5所示,。圖中整個曲線越向點（0,，1）逼近，模型的性能就越好,。

4 結(jié)論

    本文較好地將深度學(xué)習(xí)的方法應(yīng)用到了無人機警察系統(tǒng)這個新穎的概念上,，對無人機的識別率比較高。在網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計上,，可能存在冗余,，導(dǎo)致模型收斂速度不夠快，訓(xùn)練效率有所損失,。后期將繼續(xù)對網(wǎng)絡(luò)結(jié)構(gòu)的進行研究,，希望能夠進一步提高模型的質(zhì)量，并使其具有更廣的適應(yīng)性,。

參考文獻

[1] 閆玉巧.面向無人機的自動檢測系統(tǒng)設(shè)計與實現(xiàn)[D].西安：西安電子科技大學(xué),，2011.

[2] 胡占雙.無人機飛行姿態(tài)檢測及控制研究[D].沈陽：沈陽航空航天大學(xué)，2013.

[3] AHMAD N.Modelling and optimization of sky surveillance visual sensor network[D].Mid Sweden University,，2012.

[4] OuYang Wanli,，Wang Xiaogang.Joint deep learning for pedestrian detection[C].ICCV，2013.

[5] Li Ming,，Yu Chengyang,，Nian Fuzhong，et al.A face detection algorithm based on deep learning[C].IJHIT,，2015.

[6] Nagpal Shruti，Singh Maneet,，Singh Richa,，et al.Regularized deep learning for face recognition with weight variations[J].IEEE Access，2015,，3：3010-3018.

[7] Yuan Yuan,，Mou Lichao,，Lu Xiaoqiang.Scene recognition by manifold regularized deep learning architecture[J].IEEE Transactions on Networks & learning，2015,，16(10)：2222.

[8] HINTON G E,，SALAKHUTDINOV R R.Reducing the dimensionality of data with neural networks[J].Science，2006,，313：504-507.

[9] SAXE A M,，KOH P W.On random weights and unsupervised feature learing[C].International Conference on Machine Learing，2011：1089-1096.

[10] 王鑫.檢測不規(guī)則圖形的改進廣義Hough變換[D].北京：首都師范大學(xué),，2012.

[11] 唐俐勒.視頻監(jiān)控中運動圖像檢測與測距技術(shù)的研究[D].西安：西安科技大學(xué),，2010.

作者信息：

蔣兆軍1，成孝剛2,，彭雅琴3,，王  俊1，李  智2

(1.無錫職業(yè)技術(shù)學(xué)院 汽車與交通學(xué)院,，江蘇 無錫 214121,；

2.南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京210003,；3.三江學(xué)院 計算機科學(xué)與工程學(xué)院,，江蘇 南京 210012)