HỆ THỐNG TỰ ĐỘNG PHÁT HIỆN VÀ THEO DÕI DRONE SỬ DỤNG KỸ THUẬT HỌC SÂU TIÊN TIẾN
293 lượt xemTóm tắt
Cùng với sự phát triển của công nghiệp sản xuất, các loại thiết bị bay không người lái kích thước nhỏ (còn được gọi là drone) ngày càng được sử dụng rộng rãi trong nhiều lĩnh vực. Tuy nhiên, việc sử dụng drone một cách thiếu kiểm soát có thể mang đến những nguy cơ tiềm ẩn như: sử dụng drone cho mục đích khủng bố, vận chuyển chất cấm, các hoạt động trinh thám, xâm nhập khu vực cấm bay,... Xây dựng hệ thống tự động phát hiện và theo dõi các thiết bị bay không người lái là một nhiệm vụ quan trọng trong bài toán giám sát, bảo vệ an ninh trên không. Bài báo sử dụng kỹ thuật học chuyển tiếp (transfer learning) để huấn luyện lại mạng nơ-ron học sâu SSD-MobileNet-v2 trên tập dữ liệu nhân tạo, kết quả nhận dạng chính xác mục tiêu đạt được là 90.8%. Kết hợp thuật toán nhận dạng drone với thuật toán bám đối tượng theo thuật toán bám tương quan và thuật toán bám tâm đối tượng có thể nhận dạng và theo dõi hiệu quả đối tượng drone với kích thước nhỏ trong các điều kiện khác nhau cũng như có khả năng phát hiện và theo dõi nhiều mục tiêu cùng lúc.
Tài liệu tham khảo
[1]. Ulzhalgas Seidaliyeva, Daryn Akhmetov, Lyazzat Ilipbayeva, Eric T. Matson “Real-Time and Accurate Drone Detection in a Video with a Static Background”, Sensors 2020, 20, 3856; doi:10.3390/s20143856.
[2]. Michael Jian, Zhenzhong Lu and Victor C. Chen, “Drone Detection and Tracking Based on Phase-Interferometric Doppler Radar”, 2018 IEEE Radar Conference.
[3]. Dongkyu ’Roy’ Lee, Woong Gyu La, and Hwangnam Kim, “Drone Detection and Identification System using Artificial Intelligence”, 2018 International Conference on Information and Communication Technology Convergence (ICTC).
[4]. J. Janousek, P. Marcon, J. Pokorny, and J. Mikulka, “Detection and Tracking of Moving UAVs”, 2019 Photonics Electromagnetics Research Symposium.
[5]. A. Howard et al., "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications", Computing Research Repositor, arXiv:1704.04861, 2017.
[6]. Dlib C++ Library, (2018) "Correlation Tracker," .[Online]. Available:
http://dlib.net/imaging.html#correlationtracker.
[7]. Adrian Rosebrock, Simple object tracking with OpenCV, Available at:https://www.pyimagesearch.com/2018/07/23/simple-object-tracking-with opencv.
[8]. Yujie Du, Mingyu Gao, Yuxiang Yang, Jing Zhang2, Zhongfei Yu, “A Target Detection System for Mobile Robot Based On Single Shot Multibox Detector Neural Network”, 2018 IEEE 4th International Conference on Control Science and Systems Engineering.
[9]. Hashir Ali, Mahrukh Khursheed, Syeda Kulsoom Fatima, “Object Recognition for Dental Instruments Using SSD-MobileNet”, 2019 International Conference on Information Science and Communication Technology (ICISCT).
[10. Brad Dwyer, "How to Create a Synthetic Dataset for Computer Vision", https://blog.roboflow.com.
[11]. Priya Dwivedi (2017). “Is Google Tensorflow Object Detection API the easiest way to implement image recognition?”. Available at: https://towardsdatascience.com/is-google-tensorflow-object-detection-api-the-easiest-way-to-implementimage-recognition-a8bd1f500ea0.
[12]. G. Gamage, I. Sudasingha, I. Perera, D. Meedeniya, “Reinstating Dlib Correlation Human Trackers Under Occlusions in Human Detection based Tracking”, 2018 International Conference on Advances in ICT for Emerging Regions (ICTer) : 092 – 098.
[13. Lasitha Mekkayil, Hariharan Ramasangu, “Object Tracking with Correlation Filters using Selective Single Background”, arXiv:1805.03453v1 [cs.CV] 9 May 2018.
[14]. Adrian Rosebrock, OpenCV People Counter Available at : https://www.pyimagesearch.com/https://www.pyimagesearch.com/2018/08/13/opencv-people-counter.
[15]. B. Keni and S. Rainer, “Evaluating multiple object tracking performance: the clear mot metrics”, EURASIP J. Image Video Process, Dec. 2008.
