刘聪聪， 应 捷， 杨海马， 刘 瑾， 李 筠

(1.上海理工大学 光电信息与计算机工程学院, 上海 200093; 2.上海工程技术大学 电子电气工程学院, 上海 201620)

0 引 言

空中飞行物识别在禁飞区动态监视、空域交通安全管理等实际问题中有重要应用。空中飞行物主要包括无人机(UAV)、飞机(plane)、飞鸟(bird)三种类型。随着无人机日益增多，无序飞行严重影响了空域交通秩序。通过准确识别空中飞鸟，能够为后续驱赶飞鸟提供准确的信息，保障飞机飞行安全。如何提高空中飞行物的识别效率，是空管部门亟待解决的问题。

国内外众多学者对目标识别方法做了深入研究，这些方法大致可分为传统的目标识别方法[1,2]和基于深度学习的目标识别方法[3,4]。文献[1]利用正则化成对约束组件对无人机目标进行识别，并利用扩频通信传输重要数据，提高系统鲁棒性。文献[2]使用Hebbian规则训练的自组织神经网络来提取主成分特征，然后采用基于有向无环图支持向量机(directed acyclic graph support vector machine,DAGSVM)的分类器来识别飞行目标。文献[3]提出用双通道卷积神经网络离线训练，对目标进行检测和实时跟踪。文献[4]采用改进的LeNet-5模型构建无人机特征学习网络。

针对飞行目标识别的准确率低、效率低等问题，本文提出改进的基于区域卷积神经网络的空中飞行物识别方法，采集空中飞行物图片并构建数据集，利用卷积神经网络结构对数据集进行训练和测试，利用ETX80摄像头和PC搭建空中飞行物识别系统，能够实现空中飞行物的准确快速分类、识别和定位，有效保障空域安全。……