《反无人机目标感知技术：基于视觉智能》以“威胁分析-系统构建-技术应用”为脉络，系统解析无人机目标检测、跟踪与重识别的核心方法，涵盖传统图像处理与深度学习方法，并详述反无人机专用数据集构建及评测标准。全书从YOLO、Faster R-CNN 等经典检测算法，拓展至RGB-T 多模态跟踪、对抗环境模型优化等创新方向，着力解决复杂场景下的感知难题。本书特色在于“技术纵深与行业应用双轮驱动”：纵向从机器视觉、神经网络等理论切入，深度剖析算法原理与优化策略；横向结合安防、军事、民航等场景需求，构建“数据采集-算法训练-系统部署”全链路技术体系。书中系统性整合反无人机视觉感知技术框架，助力跨学科知识融合，兼具学术创新性与工程实践价值。
本书适合人工智能与计算机视觉领域的研究人员、反无人机系统开发工程师，以及安防、国防科技领域的从业者阅读，同时可作为高等院校相关专业研究生教材。

第1章 绪论 001
1.1 反无人机技术的兴起 002
1.2 反无人机技术的意义 003
1.3 反无人机视觉感知 004
1.4 反无人机未来发展趋势 006

第2章 低空无人机系统 008
2.1 低空无人机 009
2.1.1 低空无人机的概念 009
2.1.2 低空无人机系统分类 009
2.2 低空无人机研究现状 011
2.3 低空无人机行业应用 013
本章参考文献 019

第3章 反无人机系统 021
3.1 无人机威胁分析 022
3.1.1 无人机威胁概念 022
3.1.2 无人机威胁类别 023
3.2 反无人机的需求 028
3.2.1 反无人机概念 028
3.2.2 反无人机意义 029
3.2.3 反无人机技术简介 035
3.3 反无人机国内外现状 040
3.3.1 反无人机预防 040
3.3.2 反无人机预警 040
3.3.3 反无人机处置 043
3.4 反无人机挑战及发展前景 050
3.4.1 反无人机技术面临的多维度挑战 050
3.4.2 反无人机技术的未来发展与应用前景 051
本章参考文献 053

第4章 机器视觉智能感知技术 054
4.1 机器视觉智能感知的基本概念 055
4.2 机器视觉智能感知的特性 055
4.3 基于机器学习的视觉技术 056
4.3.1 机器学习分类任务 057
4.3.2 机器学习聚类任务 060
4.3.3 机器学习降维任务 061
4.4 基于深度学习的视觉感知 063
4.4.1 视觉感知的定义 063
4.4.2 前馈神经网络 063
4.4.3 卷积神经网络在无人机检测中的应用 065
4.4.4 序列模型 067
4.5 视觉增强技术 069
4.5.1 传统图像增强方法 070
4.5.2 基于深度学习的增强方法 071
4.5.3 视觉增强技术的发展趋势 072
4.5.4 视觉增强技术应用 072
4.6 视觉感知技术的应用 074
4.6.1 无人机的应用 074
4.6.2 反无人机的应用 076
本章参考文献 078

第5章 反无人机目标检测 079
5.1 通用目标检测 080
5.1.1 目标检测基本概念 080
5.1.2 传统目标检测 081
5.1.3 基于深度学习的目标检测 086
5.2 反无人机目标检测算法的分类 097
5.2.1 基于传统图像处理方法 099
5.2.2 基于深度学习的检测方法 102
5.3 反无人机目标检测的挑战及发展前景 116
5.3.1 反无人机目标检测的挑战和应对 116
5.3.2 反无人机目标检测的发展前景 124
本章参考文献 126

第6章 反无人机视觉目标跟踪 130
6.1 通用的目标跟踪 131
6.1.1 目标跟踪概念 131
6.1.2 视觉目标跟踪典型算法 131
6.2 特定于无人机场景的视觉目标跟踪 140
6.2.1 反无人机视觉目标跟踪概念 140
6.2.2 单模态全局反无人机视觉目标跟踪 142
6.2.3 单模态局部- 全局反无人机视觉目标跟踪 153
6.2.4 通用RGB -T 融合视觉目标跟踪 171
6.2.5 反无人机RGB -T 融合视觉目标跟踪 179
6.3 反无人机视觉目标重识别 186
6.3.1 视觉目标重识别概念 186
6.3.2 重识别技术的挑战 187
6.3.3 重识别技术在反无人机中的应用 187
本章参考文献 189

第7章 反无人机数据集与评测标准 195
7.1 反无人机数据采集 196
7.1.1 采集设备及无人机类型 196
7.1.2 采集过程 197
7.1.3 数据标注和校正 199
7.2 反无人机数据集 200
7.3 反无人机评测标准 202
本章参考文献 206