Detection and Recognition of Drone Movement in Video
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
D
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
S nárastom dostupnosti dronov, narástlo aj riziko ich využívania na nelegálne aktivity. Na základe týchto rizík bola navrhnutá metóda na ich detekciu a následnú klasifikáciu aplikovateľnú v reálnom čase. Navrhovaný prístup využíva metódu odčítania pozadia, slúžiacu na detekciu objektov, zatiaľ čo klasifikácia je dosiahnutá pomocou hlbokého učenia. MOG2 využíva metódu zmiešaného Gaussovho modelu, ktorý slúži na odčítanie pozadia, za účelom detekcie objektov. YOLOv5 model pracujúci s neurónovými sieťami je využitý na následnú klasifikáciu detegovaných objektov. Implementácia vytvára spôsob detekcie a klasifikácie dronov s využitím procesora dosahujúca výsledky postačujúce na aplikovanie detekcie a klasifikácie dronov v reálnom čase. Metóda vyhodnocujúca záznam v rozlíšení 1080p, využívajúca procesor Intel i5-7600K dosahovala v priemere 16 snímiek za sekundu, počas detekcie jedného objektu v snímke.
With the increase in drone availability in recent years, the risk of using drones as a tool for attacks has also increased. Based on these risks, this paper proposes a method for their real-time detection, followed by classification. The proposed approach utilizes the background subtraction method for object detection while using deep learning to classify the detected object. The MOG2 utilizes the Gaussian mixture model method to provide background subtraction, while the YOLOv5 object detection model uses convolutional neural networks for classification. The approach implementation produces a way for drone detection and classification while utilizing the processor, reaching results sufficient for real-time drone detection and classification. The method evaluating 1080p recording using the Intel i5-7600K averaged 16 frames per second while detecting a single object within the frame.
With the increase in drone availability in recent years, the risk of using drones as a tool for attacks has also increased. Based on these risks, this paper proposes a method for their real-time detection, followed by classification. The proposed approach utilizes the background subtraction method for object detection while using deep learning to classify the detected object. The MOG2 utilizes the Gaussian mixture model method to provide background subtraction, while the YOLOv5 object detection model uses convolutional neural networks for classification. The approach implementation produces a way for drone detection and classification while utilizing the processor, reaching results sufficient for real-time drone detection and classification. The method evaluating 1080p recording using the Intel i5-7600K averaged 16 frames per second while detecting a single object within the frame.
Description
Citation
LAPŠANSKÝ, S. Detection and Recognition of Drone Movement in Video [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Informační technologie
Comittee
doc. Ing. Martin Čadík, Ph.D. (předseda)
doc. Ing. Radek Burget, Ph.D. (místopředseda)
Ing. David Bařina, Ph.D. (člen)
doc. RNDr. Milan Češka, Ph.D. (člen)
Ing. Vojtěch Mrázek, Ph.D. (člen)
Date of acceptance
2022-06-14
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm D. Otázky u obhajoby: Can the learned network recognize other objects in the sky? (eg plane, helicopter, sun) You are now evaluating frame by frame. Have you considered adding context between frames? (because a drone can have different flight characteristics than a bird)
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení