無人機技術的發展十分迅速。從美軍無人機的使用，到現在無人機在研究、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，此前無人機險撞戰機事件的發生，就給人們敲響了警鐘。因此，無人機警察系統的搭建勢在必行。本文的研究重點為：建立視覺傳感網，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，及時發現“黑飛無人機”，并采取相應報警措施，實現對無人機的全面監管。

1、視覺傳感網

整個視覺傳感網（Visual Sensor Networks，VSNs）由多個節點組成，每個節點都將由攝像機陣列構成，這將作為整個系統的基礎部分[3]，如圖1。

城市環境下一個節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，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域全方位地納入監控之中。

考慮到多節點所提供的龐大數據量以及優化控制結構的需要，將數據網絡設計成三層結構。位于最底層的第三層由數量不等的節點構成一系列簇組成，每個簇內的節點統一將數據發往一臺次級處理服務器。整個網絡內的次級處理服務器構成網絡的第二層，將數據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

無人機警察系統中關鍵組成是圖像識別中心，其任務是將視覺傳感網中的圖像信息進行分析和處理，從圖像中識別出無人機，從而實現對無人機的監控，屬于目標識別領域。目前這一領域已經有了大量的優秀成果出現。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]。他們在傳統的卷積神經網絡的基礎上，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中圖片信息量豐富，且無人機的飛行狀態多樣，因此識別難度較大。為此，本文將引入深度學習算法，并以卷積神經網絡作為圖像識別中心。

2.1 卷積神經網絡

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：多隱層的人工神經網絡能夠更好地模擬人腦的思考過程，具有更加優異的學習能力，能夠對數據進行更本質的刻畫，從而提高可視化或者分類的能力。

卷積神經網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勢明顯。它利用感受野、局部連接等概念極大地減少了參數量，降低了網絡模型的復雜度，提高了訓練效率，且網絡對于平移、縮放的各種變形都具備高度不變性。

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

卷積神經網絡利用了一系列的卷積層，降采樣層構建了多層網絡，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，可以實現局部連接網絡，有效減少了需要訓練的網絡參數。例如，對一張大的圖片輸入，其尺寸為r×c，隨機采樣為a×b的小圖片，如果隱含節點為k個，那么最終學習到的特征數為：

卷積神經網絡利用了一系列的卷積層，降采樣層構建了多層網絡，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。