前言
近年来，随着无人机的自主性、灵活性和广泛的应用领域，它们在广泛的消费通讯和网络领域迅速发展。无人机应用提供了可能的民用和公共领域应用，其中可以使用单个或多个无人机。与此同时，我们也需要意识到无人机侵入对空域安全造成的潜在威胁。今年早些时候，多次无人机目击事件导致机场停飞，给航空公司带来了巨大的经济损失。
目前，在计算机视觉社区中，没有一个高质量的反无人机数据集被用于真实动态场景的捕捉。为了弥补这一空白，该项目提出了一个新的数据集、评估指标和基线方法，用于发现、检测、识别和跟踪无人机的领域。该数据集包含高质量的全高清视频序列（包括RGB和IR），涵盖了多种多尺度无人机的多次出现，并且密集注释了每个帧中的边界框、属性和标志，指示目标是否存在。
数据介绍
该数据集包含三个子集，即训练子集、track 1测试子集和track 2测试子集。训练子集由200个热红外视频序列组成，并发布详细的注释文件（包括目标是否存在、目标位置信息和各种挑战）。track 1测试子集也包含200个视频序列，仅提供第一帧中目标的位置信息；track 2测试子集包含200个视频序列，该track不提供任何标记信息，需要参与者通过检测和跟踪来获取目标的存在标志和相应的目标位置信息。以上三个子集之间没有任何重叠部分。我们建议参与者根据训练子集中的多类标签信息训练适合的检测器或跟踪器模型。
环境要求
运行脚本
> conda activate project_uav > python detect_tracking.py
project_uav环境主要包括：
pytorch(1.7.1)、 torchvision(0.8.2)、 Cython、tqdm、 PyYAML、 matplotlib、 numpy、Pillow、 opencv、scipy
代码
from __future__ import division import os import cv2 import sys import time import torch import struct import socket import logging import datetime import argparse import numpy as np from PIL import Image import pdb # sys.path.append(r"C:\Users\aaa\Desktop\DetectionLib\DroneTracker") # sys.path.append(r"C:\Users\aaa\Desktop\DetectionLib\DroneDetector") # from detector import DroneDetection # from trackinguav.evaluation.tracker import Tracker from detect_wrapper.Detectoruav import DroneDetection from tracking_wrapper.dronetracker.trackinguav.evaluation.tracker import Tracker sys.path.append(os.path.join(os.path.dirname(__file__),'detect_wrapper')) sys.path.append(os.path.join(os.path.dirname(__file__),'tracking_wrapper\\dronetracker')) sys.path.append(os.path.join(os.path.dirname(__file__),'tracking_wrapper\\drtracker')) import warnings warnings.filterwarnings("ignore") # # import torchvision # # from torch.utils.data import DataLoader # # from torchvision import datasets # from torch.autograd import Variable #import matplotlib.pyplot as plt #import matplotlib.patches as patches #from matplotlib.ticker import NullLocator #import json g_init = False g_detector = None # 检测器 g_tracker = None # 跟踪器 g_logger = None detect_box=None track_box=None g_data = None detect_first =True g_enable_log = True repeat_detect=True count = 0 g_frame_counter = 0 TRACK_MAX_COUNT = 150 Visualization = 1 sendLocation = 0 #全局socket udp_socket = socket.socket(socket.AF_INET, socket.SOCK_DGRAM) #目标主机的IP和端口, 用来发送坐标 IP = '192.168.0.171' Port = '9921' def safe_log(msg): if g_logger: g_logger.info(msg) def send_bbs(bbs): global g_logger if g_logger: g_logger.info('send a box : {}'.format(bbs)) def mono_to_rgb(data): w, h = data.shape img = np.zeros((w, h, 3), dtype=np.uint8) img[:, :, 0] = data img[:, :, 1] = data img[:, :, 2] = data return img def rgb_to_ir(data): w, h, c = data.shape img = np.zeros((w, h), dtype=np.uint8) img = data[:,:,0] return img def distance_check(bbx1, bbx2, thd): cx1 = bbx1[0]+bbx1[2]/2 cy1 = bbx1[1]+bbx1[3]/2 cx2 = bbx2[0]+bbx2[2]/2 cy2 = bbx2[1]+bbx2[3]/2 dist = np.sqrt((cx1-cx2)**2+(cy1-cy2)**2) return dist<thd def scale_coords(img1_shape, coords, img0_shape): # Rescale coords (xyxy) from img1_shape to img0_shape gainx = img1_shape[0] / img0_shape[0] gainy = img1_shape[1] / img0_shape[1] coords[0]= coords[0]/gainx coords[1]= coords[1]/gainy coords[2]= coords[2]/gainx coords[3]= coords[3]/gainy coords = [int(x) for x in coords] return coords
这段代码实现了一个目标检测与跟踪的功能。以下是对代码的解释：
- g_init = False: 标志变量，用于表示是否进行了初始化操作。
- g_detector和g_tracker: 用于保存检测器和跟踪器的对象。
- g_logger: 日志记录器对象，用于记录日志信息
- detect_box和track_box: 分别用于保存检测到的目标框和跟踪的目标框。
- g_data: 用于保存图像数据。
- detect_first: 标志变量，表示是否为第一次检测。
- g_enable_log: 是否启用日志记录。
- repeat_detect: 是否重复检测。
- count和g_frame_counter: 计数器，用于计算帧数和跟踪目标的持续时间。
- TRACK_MAX_COUNT: 最大跟踪次数，超过该次数则重新进行检测。
结论
反无人机目标检测与跟踪的意义在于应对无人机在现实世界中可能带来的潜在威胁，并保障空域安全。以下是这方面的几个重要意义：
空域安全：无人机的广泛应用给空域安全带来了新的挑战。通过开展反无人机目标检测与跟踪研究，可以及时发现和追踪潜在的无人机入侵行为，确保空域的安全和秩序。
防范恶意活动：无人机技术的快速发展也为一些恶意活动提供了新的工具和手段，如无人机进行窥探、非法监听、破坏等。反无人机目标检测与跟踪的研究可以帮助及时发现和阻止这些恶意活动，维护社会的稳定和安全。
保护隐私：无人机的普及使用可能会侵犯个人和公共场所的隐私。通过有效的反无人机目标检测与跟踪技术，可以帮助及时识别和遏制一些侵犯隐私的无人机行为，保护个人和公众的合法权益。
防止事故与损失：无人机的不当使用可能给航空运输和其他行业带来安全风险和经济损失。通过反无人机目标检测与跟踪技术，可以及时发现潜在的无人机干扰和威胁，预防事故和减少经济损失
