无论是在民用领域还是军用领域，追踪无人机都变得越来越重要。例如，越来越多的“黑飞”无人机已经干扰到民航客机的正常运行。与此同时，在世界的另一端，无人机战争的战场已经扩大到偏远地区。监控无人机正成为一项重大挑战。

　　目前有很多技术可以做到监控无人机运行，但大多数都存在更新缓慢或检测不准确的问题，而这两种问题都很难应对快速移动的小型无人机。维也纳技术大学的一个团队认为他们可能找到了一种方法来消除以前的无人机跟踪技术的弱点。

现有的跟踪技术

　　无人机跟踪技术通常分为两大类：探测器和跟踪器。虽然有许多方法可以检测无人机，例如，通过雷达、声学或其他方法，但光学跟踪是最广泛使用的，因为它最容易通过非专家的人工反馈进行改进。

　　传统的检测方法存在误报率高的问题，很难准确识别无人机。最近，深度学习算法在无人机检测精度方面取得了进展。然而，虽然这些算法比以前的分类器和过滤器模型更准确，但它们的速度也非常慢。一些无人机可以移动高达20米/秒，让检测算法望尘莫及。等到无人机被识别时，它早已飞走了。

　　跟踪算法往往运行得更快，但不如探测器准确。跟踪算法比较物体的图像帧来绘制轨迹和速度。这很容易受到异物、遮挡、天气或错误分类的干扰。跟踪模型很容易混淆并失去对无人机的视觉识别，即使它仍在成像系统的视野范围内。

强化检测和跟踪算法

　　维也纳技术大学团队认为他们已经找到了一种方法，将探测器提供的精度与跟踪器提供的速度结合起来，形成一个比单独使用任何一个系统更快、更准确的系统。

　　他们的系统同时记录两个不同内存的图像帧以供分析。单独的CPU运行检测和跟踪算法。检测器是较慢的算法，仅处理捕获图像帧的20%，而跟踪器处理每一帧。跟踪器模型根据检测器的输出进行校正。

　　该系统依靠可靠性指标来帮助决定何时开始或结束对象跟踪。深度学习算法为每次检测提供置信度值。跟踪器算法可以提供正确跟踪和估计对象位置的可能性。更高的跟踪器可靠性使系统中的检测和跟踪组件之间能够更智能地协作。当基于深度学习的检测器的检测置信度高于跟踪器的可靠性时，系统可以重新初始化跟踪器，确保使用最可靠的信息。

　　此外，跟踪器可靠性使系统能够动态适应跟踪环境的变化。例如，如果照明条件或无人机行为等因素导致跟踪器的可靠性降低，系统可以通过更多地依赖检测器或根据需要重新初始化跟踪器进行调整。

硬件实现和结果

　　一个重要的考虑因素是如何处理新的跟踪信息。望远镜的视野相对较小，快速移动的无人机可以很快移出视野。该团队建立了一个控制系统，可以移动望远镜来跟踪无人机。计算出的轨迹被输入望远镜的平移和倾斜控制器。

　　为了证明他们的系统的有效性，研究人员在现场对其进行了测试，让其在清晰背景（天空）和复杂背景（例如一系列建筑物或树木）前跟踪一系列无人机。然后，他们将结果与独立检测系统和独立跟踪系统的结果进行了比较。

　　他们的系统在清晰背景下的实验得分与现有方法大致相同，但在复杂背景下，与基于简单检测器（准确率高6%）或基于跟踪器（准确率高14%）的算法相比，得分明显提高。

　　它还有另一个优势，两者都无法比拟。估计飞行路径是跟踪的关键，它不仅仅是检测图像中无人机的存在。为了估计飞行路径，另一个专门用于飞行路径计算的算法必须由检测算法输入两个定位信息——从一帧到另一帧无人机位置的准确描述。在这个指标中，并行检测器/跟踪器方法比仅使用检测器的方法高出49%。虽然仅使用跟踪器的方法表现更好，但它不一定具有预测飞行路径的准确性。令人印象深刻的是，当无人机飞离检测器4千米远时，这种方法也能做到。

　　目前，该系统尚未准备好投入使用。它仍然需要一台配备GPU的大型计算机来运行其完整算法，未来的工作计划是集成一个具有更大视野的专用望远镜，以进一步提高探测精度和跟踪能力。

　　现在，在所有情况下实现准确跟踪无人机仍然是一个难题。然而，考虑到军方和民事执法部门对此的兴趣和激励，这项技术在不久的将来将迎来许多改进。 （航柯）