[发明专利]一种基于多无人机协同的校园安防方法及系统

权利要求书

1.一种基于多无人机协同的校园安防方法，其特征在于，包括：

多架携带有相机的无人机获取升空指令后升空；

在安防区域内，采用人工势场法控制无人机的相对位置，基于分布式调度算法实现无人机编队控制，对安防区域进行协同全覆盖监控；

利用相机获取所监控区域的视频数据，基于深度神经网络模型对视频数据进行处理，进行异常行为识别；

在识别出异常行为时，标记异常点位置坐标，并启动距离异常点位置距离最近的无人机前往异常点进行处置。

2.如权利要求1所述的基于多无人机协同的校园安防方法，其特征在于，所述在安防区域内，采用人工势场法控制无人机的相对位置，基于分布式调度算法实现无人机编队控制，对安防区域进行协同全覆盖监控，包括：

根据所述安防区域、无人机数量以及无人机的监控范围，设置各无人机的期望工作位置；

采用所述人工势场法，根据期望工作位置对无人机的吸引作用力和障碍物对无人机的排斥作用力，得到每架无人机的应受合力；

将无人机的应受合力作为期望合力，基于所述分布式调度算法分别控制各无人机运动至各自的期望位置，实现无人机编队控制，对安防区域进行协同全覆盖监控。

3.如权利要求2所述的基于多无人机协同的校园安防方法，其特征在于，所述采用所述人工势场法，根据期望工作位置对无人机的吸引作用力和障碍物对无人机的排斥作用力，得到每架无人机的应受合力的计算公式表示如下：

其中，F_n为合力场，F_ar为期望位置对无人机的引力场，F_re为所有障碍物对无人机的斥力场的合力场，l为所设的固定步长。

4.如权利要求3所述的基于多无人机协同的校园安防方法，其特征在于，所述期望位置对无人机的吸引力场定义如下：

F_ar＝K_aRP_a，R＜R_r0

F_ar＝K_aR_r0P_a，R≥R_r0

其中，K_a是与环境及条件相关的系数，R为无人机距离期望位置的距离大小，R_r0为期望位置对无人机的最大影响范围，P_a为单位方向矢量，方向由无人机当前位置指向期望位置。

5.如权利要求3所述的基于多无人机协同的校园安防方法，其特征在于，所述障碍物对无人机的斥力场定义如下：

F_re＝0，r≥R_a0

其中，K_r为与环境及条件有关的系数，R为无人机距离期望位置的距离大小，r为无人机此时与该障碍物的距离大小，R_a0为障碍物最大影响距离，P_r为单位方向矢量，方向由障碍物位置指向无人机当前位置。

6.如权利要求1所述的基于多无人机协同的校园安防方法，其特征在于，所述异常行为包括个人异常行为和交互异常行为，所述采用的深度神经网络模型为YOLO深度神经网络。

7.如权利要求6所述的基于多无人机协同的校园安防方法，其特征在于，在所述基于深度神经网络模型对视频数据进行处理，进行异常行为识别之前还包括：

获取安防区域的视频数据集，并截取帧图像，对图像进行异常行为标定，得到用于进行网络训练和测试的图像数据集；

利用图像数据集对所述YOLO深度神经网络进行训练和测试，得到用于判断输入的视频数据中是否存在异常行为的网络模型，并将该网络模型部署在所述各无人机的机载GPU内。