空域机动目标智能搜索跟踪算法

机动测控单元定姿定位及目标捕获技术王轶;王建平;陈昊;马强【摘要】为满足动中测控的机动测控设备建设需求，根据天线姿态误差对角精度误差的影响分析，提出了运动中天线姿态误差的定量计算方法，采用一种合理的天线稳定和目标捕获方法，对运动中目标捕获跟踪的影响因素进行了定量分析。

通过机动测控单元样机对在轨卫星试验动态跟踪的数据研究，验证了姿态误差计算方法的可行性，为动中测控建设提供了有效的技术途径。

%To satisfy the mobile TT&C construction requirement of maneuvering stationdistribution,accord-ing to the research on the effect of attitude error on angle accuracy, the quantitative calculation method of antenna attitude error in moving condition is proposed. A reasonable and effective antenna stabilitate and target capturing method is adopted, and the influencing factor of target capturing and tracking in moving condition is quantificationally estimated. With the research on mobile tracking satellite data by experiment of a prototype, the feasibility of attitude error calculation method is verified, which provides an effective technology way of mobile TT&C construction.【期刊名称】《电讯技术》【年(卷),期】2017(057)001【总页数】5页(P59-63)【关键词】测控系统;机动测控;定姿定位;捕获跟踪【作者】王轶;王建平;陈昊;马强【作者单位】西安卫星测控中心，西安710043;西安卫星测控中心，西安710043;中国电子科技集团公司第二十七研究所，郑州450005;西安卫星测控中心，西安710043【正文语种】中文【中图分类】V556;TN911.7目前我国陆基测控网主要由测控中心、固定测控站和活动测控站组成。

基于深度学习的飞机目标检测与跟踪技术研究第一章绪论随着国家经济的飞速发展以及国际关系的不断紧张，军事技术的发展成为国家实力的重要体现，飞机技术也成为了军事实力的重要支撑。

然而，在实际军事应用中，飞机的目标检测与跟踪技术是保证飞机任务完成的重要环节，也是军事防卫的关键保障。

因此，研究基于深度学习的飞机目标检测与跟踪技术对于提高飞机任务完成率、增强国家安全防卫具有重要的现实意义。

第二章飞机目标检测技术研究2.1 目标检测技术的现状随着深度学习技术的兴起，目标检测技术取得了长足进展，如何将深度学习技术应用于飞机目标检测是当前研究的重中之重。

目前，基于深度学习的目标检测算法主要包括R-CNN系列、YOLO系列和SSD系列等。

2.2 基于深度学习的飞机目标检测技术研究深度学习技术在飞机目标检测中的应用可以完成飞机目标的快速精准检测，为飞机的下一步任务提供决策依据。

基于深度学习的飞机目标检测技术主要利用卷积神经网络提取图像特征，后采用分类模型得出飞机目标检测结果。

2.3 实验结果分析在实验分析中，将基于深度学习技术的飞机目标检测与传统的检测方法进行对比。

实验结果表明，基于深度学习技术的飞机目标检测具有快速、精准的优点。

第三章飞机目标跟踪技术研究3.1 目标跟踪技术的现状在实际操作中，飞机目标存在跨越远距离、快速移动、目标形状、色彩变化等情况，对飞机目标跟踪技术提出新的挑战。

目前，现有的目标跟踪技术主要包括基于传统主动轮廓跟踪、基于深度学习的轮廓跟踪、多目标跟踪和跟踪-by-detection等方法。

3.2 基于深度学习的飞机目标跟踪技术研究基于深度学习的飞机目标跟踪技术利用卷积神经网络自动提取图像特征，采用循环神经网络或多尺度卷积网络对目标进行跟踪。

其中，循环神经网络主要解决目标的长期连续跟踪问题，多尺度卷积网络则辅助目标完整跟踪。

3.3 实验结果分析基于深度学习的飞机目标跟踪技术实验结果表明，该技术可以实现对飞机目标的准确、稳定、流畅的跟踪。

无人机图像处理中的目标识别与跟踪方法无人机技术的飞速发展使得无人机在军事、民用等领域越来越广泛地应用。

在各种无人机应用场景中，目标识别与跟踪是至关重要的一项任务。

通过图像处理技术实现目标识别与跟踪可以大大提升无人机的智能化水平，增强其自主控制能力，使其在各种任务中发挥更大的作用。

目标识别是无人机图像处理中的基础工作，目标跟踪则是在目标被识别出来后，对目标进行实时追踪的过程。

下面将具体介绍无人机图像处理中的目标识别与跟踪方法。

目标识别是指在图像中准确定位并识别出感兴趣目标的过程。

目标识别方法可以分为两类：基于特征的方法和基于深度学习的方法。

基于特征的方法主要是从图像中提取出目标的特征，然后通过对比特征的差异来进行目标识别。

常见的特征包括颜色、纹理、形状等。

其中，颜色特征是最简单且常用的特征之一。

通过提取目标区域的颜色信息，可以对目标进行初步识别。

在实际应用中，由于光照条件和背景干扰等因素，单纯依靠颜色特征进行目标识别的准确率并不高。

因此，通常将颜色特征与其他特征进行结合，如纹理和形状等，以提高目标识别的准确性。

基于深度学习的方法是近年来发展起来的一种新兴的目标识别方法。

它不需要手工设计特征，而是通过训练神经网络模型来自动学习特征。

深度学习方法在目标识别方面取得了很大的突破，能够有效地处理复杂的目标识别问题。

例如，卷积神经网络（CNN）是一种广泛应用的深度学习模型，它在图像识别任务中表现出色。

通过训练好的CNN模型，可以对无人机图像中的目标进行高效准确的识别。

目标跟踪是指在目标被识别出来后，通过连续的图像帧追踪目标的过程。

目标跟踪方法可以分为基于传统特征的方法和基于深度学习的方法。

基于传统特征的方法主要是通过计算目标在不同帧中的特征差异，来判断目标的位置和运动状态。

常见的传统特征包括目标的位置、大小、颜色、纹理等。

通过跟踪目标特征的变化，可以实现目标的实时追踪。

然而，基于传统特征的方法受到光照变化、目标遮挡和背景杂乱等因素的影响，因此在复杂环境中的准确率往往较低。

无人机自动跟踪原理
无人机自动跟踪原理是指无人机通过固定或移动的目标物体，利用特定的跟踪算法和传感器技术，在空中自主追踪目标物体的过程。

其主要原理包括：
1.图像处理技术
无人机自动跟踪需要借助图像处理技术，通过摄像头获取目标物体的实时图像，并进行处理和识别，确定目标物体的位置、方向和速度等信息。

2.传感器技术
无人机需要配备各种传感器，如陀螺仪、加速度计、GPS等，以便实时获取自身姿态、速度和位置等信息，从而更精确地计算出追踪目标的轨迹。

3.控制系统
无人机自动跟踪的实现需要控制系统的支持，包括飞控芯片、无线通讯模块和电机等硬件设备，以及编制好的控制算法。

4.跟踪算法
无人机自动跟踪需要采用一系列跟踪算法，如光流法、Kalman滤波算法、模板匹配算法、深度学习算法等，以便更准确地跟踪目标物体，
同时避免受到光照和环境因素的影响。

5.安全保障
在实际的应用过程中，无人机自动跟踪需要具备足够的安全保障措施，包括避障系统、碰撞检测、自动返航等功能，以确保无人机在追踪过
程中不会撞击到障碍物或受到不可预测的外界干扰而失控。

总之，无人机自动跟踪原理是一项复杂而精密的技术，需要综合运用
多种技术和算法进行实现，并且需要不断优化和升级，以满足日益复
杂的应用需求。