Vision based object detection for UAV applications

The increasing integration of drones into diverse applications such as surveillance, sports broadcasting, and urban air mobility demands robust object detection and tracking capabilities. These tasks are crucial for enabling autonomous navigation, obstacle avoidance, and effective target monitoring. This thesis explores multiple methodologies for object detection and tracking, with a focus on their implementation in unmanned aerial vehicle (UAV) systems. The study is divided into two main parts. The first one evaluates and compares the performance of different object detection techniques, including both approaches based on the YOLO (You Only Look Once) neural network, and traditional methods that rely on point cloud clustering and disparity data obtained from stereo cameras. These methods are assessed on their ability to detect both static and moving objects, providing insights into their strengths and limitations. The second part of the research focuses on using the information obtained from object detection algorithms to perform accurate tracking. A Kalman filter is employed to estimate the position and velocity of detected objects, while the Hungarian algorithm is utilized to maintain consistent tracking of multiple moving targets. Experimental evaluations are conducted to assess the performance of the proposed framework. By analyzing and comparing these approaches, this research aims to provide a comprehensive evaluation of object detection and tracking methods suitable for UAV-based applications, offering valuable insights into their practicality and performance in real-world scenarios.

L'integrazione sempre più avanzata dei droni in settori come la sorveglianza, le riprese sportive e l'Urban Air Mobility richiede metodi robusti per il riconoscimento degli oggetti e la capacità di tracciare bersagli in modo accurato. Questi compiti risultano fondamentali per abilitare la navigazione autonoma, l'evitamento degli ostacoli e il monitoraggio efficace di obiettivi. La presente tesi si propone di esplorare metodologie innovative per il riconoscimento e il tracciamento degli oggetti, con particolare attenzione all'implementazione su velivoli autonomi. Il lavoro si articola in due principali aree di ricerca. La prima parte è dedicata alla valutazione e al confronto delle prestazioni di diverse tecniche di riconoscimento degli oggetti, includendo sia approcci basati sulla rete neurale YOLO (You Only Look Once) sia metodi tradizionali che sfruttano dati ottenuti da point cloud o immagini di disparità generate da una telecamera stereoscopica. Queste tecniche vengono analizzate in base alla loro capacità di individuare oggetti statici e in movimento, evidenziando vantaggi e limiti. La seconda parte della ricerca si focalizza sull’utilizzo delle informazioni fornite dagli algoritmi di riconoscimento per il tracciamento preciso dei bersagli. A tal fine, viene impiegato un filtro di Kalman per stimare posizione e velocità degli oggetti rilevati, mentre l'algoritmo Ungherese è utilizzato per garantire un tracciamento continuo e coerente di molteplici bersagli in movimento. I metodi sviluppati sono stati testati attraverso esperimenti progettati per valutarne l'efficacia. Attraverso l’analisi e il confronto di questi approcci, la ricerca mira a offrire una valutazione approfondita delle tecniche di riconoscimento e tracciamento applicabili ai droni, fornendo una panoramica completa sulle loro prestazioni e sull’idoneità in scenari del mondo reale.