無人機技術的發(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；引入深度學習對無人機進行識別，及時發(fā)現(xiàn)“黑飛無人機”，并采取相應報警措施，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成，這將作為整個系統(tǒng)的基礎部分[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)化控制結構的需要，將數(shù)據(jù)網(wǎng)絡設計成三層結構。位于最底層的第三層由數(shù)量不等的節(jié)點構成一系列簇組成，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器。整個網(wǎng)絡內(nèi)的次級處理服務器構成網(wǎng)絡的第二層，將數(shù)據(jù)送往位于第一層的中央高級服務器。

2、基于深度學習的圖像識別中心

無人機警察系統(tǒng)中關鍵組成是圖像識別中心，其任務是將視覺傳感網(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，屬于目標識別領域。目前這一領域已經(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習的行人檢測手段，通過聯(lián)合學習行人檢測中的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)絡的基礎上，加入了形變處理層，最終習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，是深度學習在目標識別領域的成功應用，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、深度學習也有很多方案[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，本文將引入深度學習算法，并以卷積神經(jīng)網(wǎng)絡作為圖像識別中心。

2.1 卷積神經(jīng)網(wǎng)絡

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

卷積神經(jīng)網(wǎng)絡是深度學習中第一個真正多層結構學習算法，其在圖像識別領域優(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)絡模型的復雜度，提高了訓練效率，且網(wǎng)絡對于平移、縮放的各種變形都具備高度不變性。

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

卷積神經(jīng)網(wǎng)絡利用了一系列的卷積層，降采樣層構建了多層網(wǎng)絡，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，有效減少了需要訓練的網(wǎng)絡參數(shù)。例如，對一張大的圖片輸入，其尺寸為r&TImes;c，隨機采樣為a&TImes;b的小圖片，如果隱含節(jié)點為k個，那么最終學習到的特征數(shù)為：

卷積神經(jīng)網(wǎng)絡利用了一系列的卷積層，降采樣層構建了多層網(wǎng)絡，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。