车载无人机防御方法、装置、设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种车载无人机防御方法、装置、设备及介质。

背景技术

目前，随着无人机技术的不断发展，越来越多的领域采用无人机执行数据采集等任务，但是，由于无人机能够低空飞行，且体积较小，灵活性、机动性又比较高，如果被恶意使用，会造成一定的安全隐患。

并且，在无人机防御区域较大的情况下，如果负责安全防护的人员不足，也会增加安全风险，因此，亟需一种能够准确地对无人机进行防御的方法。

发明内容

鉴于以上内容，有必要提供一种车载无人机防御方法、装置、设备及介质，能够对无人机进行精准防御。

一种车载无人机防御方法，应用于车载无人机防御系统，所述车载无人机防御方法包括：

在预先建立的防御圈内实时进行无线电侦测得到无线电数据，及实时采集图像数据；

对所述无线电数据及所述图像数据进行特征融合，得到融合特征；

将所述融合特征输入至预先训练的无人机检测模型，并根据所述无人机检测模型的输出数据检测所述防御圈内是否有无人机；

当检测到所述防御圈内有无人机时，将检测到的无人机确定为目标无人机，并对所述目标无人机进行融合定位，得到所述目标无人机的目标位置；

基于所述目标位置对所述目标无人机进行光电检测跟踪，得到跟踪结果；

根据所述跟踪结果对所述目标无人机进行反制。

根据本发明优选实施例，所述在预先建立的防御圈内实时进行无线电侦测得到无线电数据，及实时采集图像数据前，所述方法还包括：

获取防御中心；

以所述防御中心为圆心，以第一预设长度为半径划定第一立体包围圈，得到核心区；

以所述防御中心为圆心，以第二预设长度为半径划定第二立体包围圈，将所述第二立体包围圈除去所述第一立体包围圈后得到的区域确定为驱离区；

以所述防御中心为圆心，以第三预设长度为半径划定第三立体包围圈，将所述第三立体包围圈除去所述第二立体包围圈后得到的区域确定为警戒区；

组合所述核心区、所述驱离区及所述警戒区，得到所述防御圈；

其中，所述第一预设长度小于所述第二预设长度，所述第二预设长度小于所述第三预设长度。

根据本发明优选实施例，所述对所述无线电数据及所述图像数据进行特征融合，得到融合特征包括：

对所述无线电数据进行滤波处理，得到滤波特征；

利用卷积神经网络对所述滤波特征进行特征提取，得到第一特征；

对所述图像数据进行预处理，得到中间图像；

利用所述卷积神经网络对所述中间图像进行特征提取，得到第二特征；

对所述第一特征及所述第二特征进行融合，得到所述融合特征。

根据本发明优选实施例，所述将所述融合特征输入至预先训练的无人机检测模型前，所述方法还包括：

获取所述车载无人机防御系统采集到的历史无线电数据及历史图像数据；

根据所述历史无线电数据及所述历史图像数据进行特征融合，得到历史融合特征；

利用PCA降维算法对所述历史融合特征进行降维处理，降维特征；

获取具有分类作用的初始神经网络模型；

将所述降维特征作为训练样本训练所述初始神经网络模型，直至所述初始神经网络模型的准确率达到配置准确率，停止训练，得到所述无人机检测模型。

根据本发明优选实施例，所述对所述目标无人机进行融合定位前，所述方法还包括：

确定在预设时长内是否持续检测到所述目标无人机；

当在所述预设时长内没有持续检测到所述目标无人机时，继续检测所述防御圈内是否有无人机；或者

当在所述预设时长内持续检测到所述目标无人机时，发出报警提示，并对所述目标无人机进行融合定位。

根据本发明优选实施例，所述对所述目标无人机进行融合定位，得到所述目标无人机的目标位置包括：

获取辅助进行定位的每个基站的坐标作为每个第一坐标，及获取辅助进行定位的基站的数量作为目标数量；

采用TDOA算法对所述目标无人机进行定位，得到第二坐标；

采用AOA算法对所述目标无人机进行定位，得到第三坐标；

计算所述目标无人机到每个基站的距离作为每个第一距离；

计算所述第二坐标与每个第一坐标间的距离得到每个第二距离；

计算每个第一距离与对应的每个第二距离间的差的平方，得到与每个基站对应的每个第一平方值；

计算每个第一平方值的累加和作为第一累加和；

计算所述第一累加和与所述目标数量的商，得到与所述TDOA算法对应的第一系数；

计算所述第三坐标与每个第一坐标间的距离得到每个第三距离；

计算每个第一距离与对应的每个第三距离间的差的平方，得到与每个基站对应的每个第二平方值；

计算每个第二平方值的累加和作为第二累加和；

计算所述第二累加和与所述目标数量的商，得到与所述AOA算法对应的第二系数；

计算所述第二坐标与所述第一系数的商作为第一定位结果，及计算所述第三坐标与所述第二系数的商作为第二定位结果；

计算所述第一定位结果与所述第二定位结果的和，得到当前定位；

计算所述第一系数的倒数得到第一权重，及计算所述第二系数的倒数得到第二权重；

计算所述第一权重与所述第二权重的和，得到目标权重；

计算所述当前定位与所述目标权重的商，得到所述目标位置。

根据本发明优选实施例，所述根据所述跟踪结果对所述目标无人机进行反制包括：

当所述跟踪结果显示所述目标无人机处于所述驱离区或者所述核心区时，检测所述车载无人机防御系统的操作区域内是否有人值守；

当检测到无人值守时，向所述目标无人机发射配置时长的无线电压制信号；或者当检测到有人值守时，发出反制提示信息，当接收到反制指令时，向所述目标无人机发射所述配置时长的无线电压制信号；

继续对所述目标无人机进行光电检测跟踪；

当跟踪到所述目标无人机返航时，确定反制有效；

当跟踪到所述目标无人机未返航时，确定反制无效，发出二次反制提示信息；

在进行二次反制后，若再次确定反制无效，则控制所述车载无人机防御系统的车辆跟随所述目标无人机的飞行轨迹，并获取所述目标无人机与所述车载无人机防御系统的车辆的实时距离，当所述实时距离达到射程时，向所述目标无人机发射所述配置时长的无线电压制信号。

一种车载无人机防御装置，运行于车载无人机防御系统，所述车载无人机防御装置包括：

侦测单元，用于在预先建立的防御圈内实时进行无线电侦测得到无线电数据，及实时采集图像数据；

融合单元，用于对所述无线电数据及所述图像数据进行特征融合，得到融合特征；

检测单元，用于将所述融合特征输入至预先训练的无人机检测模型，并根据所述无人机检测模型的输出数据检测所述防御圈内是否有无人机；

定位单元，用于当检测到所述防御圈内有无人机时，将检测到的无人机确定为目标无人机，并对所述目标无人机进行融合定位，得到所述目标无人机的目标位置；

跟踪单元，用于基于所述目标位置对所述目标无人机进行光电检测跟踪，得到跟踪结果；

反制单元，用于根据所述跟踪结果对所述目标无人机进行反制。

一种计算机设备，所述计算机设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现所述车载无人机防御方法。

一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述车载无人机防御方法。

由以上技术方案可以看出，本发明应用于车载无人机防御系统，在预先建立的防御圈内实时进行无线电侦测得到无线电数据及实时采集图像数据，并对无线电数据及图像数据进行特征融合得到融合特征，实现无线电与光电的优势互补，以提高无人机感知的准确度，将融合特征输入至无人机检测模型以检测防御圈内是否有无人机，对检测到的目标无人机进行融合定位，有效避免了定位偏差，进一步对目标无人机进行光电检测跟踪，并根据跟踪结果对目标无人机进行反制，以实现对无人机的精准防御。

附图说明

图1是本发明车载无人机防御方法的较佳实施例的流程图。

图2是本发明车载无人机防御装置的较佳实施例的功能模块图。

图3是本发明实现车载无人机防御方法的较佳实施例的计算机设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

如图1所示，是本发明车载无人机防御方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

所述车载无人机防御方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。

所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。

所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。

本实施例所述的车载无人机防御方法应用于车载无人机防御系统，所述车载无人机防御方法包括：

S10，在预先建立的防御圈内实时进行无线电侦测得到无线电数据，及实时采集图像数据。

在本实施例中，所述车载无人机防御系统为一种用于对无人机进行监测、干扰及拦截的移动式车载系统。

在本实施例中，所述在预先建立的防御圈内实时进行无线电侦测得到无线电数据，及实时采集图像数据前，所述方法还包括：

获取防御中心；

以所述防御中心为圆心，以第一预设长度为半径划定第一立体包围圈，得到核心区；

以所述防御中心为圆心，以第二预设长度为半径划定第二立体包围圈，将所述第二立体包围圈除去所述第一立体包围圈后得到的区域确定为驱离区；

以所述防御中心为圆心，以第三预设长度为半径划定第三立体包围圈，将所述第三立体包围圈除去所述第二立体包围圈后得到的区域确定为警戒区；

组合所述核心区、所述驱离区及所述警戒区，得到所述防御圈；

其中，所述第一预设长度小于所述第二预设长度，所述第二预设长度小于所述第三预设长度。所述第一预设长度、所述第二预设长度、所述第三预设长度可以根据对防御中心实际的防护需求进行配置。

其中，所述防御中心可以为需要保护的对象的位置坐标。

通过上述实施例，能够根据防御中心划定多层次的立体保护圈，形成空域维度的立体的三级防御圈，后续可以根据无人机所侵入的位置所属的区域进行针对性处理，即以无人机到防御中心的距离作为无人机威胁度判定及确定响应措施的依据。

在本实施例中，可以通过所述车载无人机防御系统中的无线电装置(如无线电探测仪)在所述防御圈内实时进行无线电侦测得到所述无线电数据，以及利用所述车载无人机防御系统中的图像采集装置(如高清摄像头等)实时采集所述图像数据。

S11，对所述无线电数据及所述图像数据进行特征融合，得到融合特征。

在本实施例中，所述对所述无线电数据及所述图像数据进行特征融合，得到融合特征包括：

对所述无线电数据进行滤波处理，得到滤波特征；

利用卷积神经网络对所述滤波特征进行特征提取，得到第一特征；

对所述图像数据进行预处理，得到中间图像；

利用所述卷积神经网络对所述中间图像进行特征提取，得到第二特征；

对所述第一特征及所述第二特征进行融合，得到所述融合特征。

其中，所述预处理可以包括，但不限于以下一种或者多种处理的组合：图像增强、边缘检测、降噪等。

在上述实施例中，将无线电特征与光电特征进行融合，能够实现无线电、光电的优势互补，进而提高无人机感知的准确度。

S12，将所述融合特征输入至预先训练的无人机检测模型，并根据所述无人机检测模型的输出数据检测所述防御圈内是否有无人机。

在本实施例中，所述将所述融合特征输入至预先训练的无人机检测模型前，所述方法还包括：

获取所述车载无人机防御系统采集到的历史无线电数据及历史图像数据；

根据所述历史无线电数据及所述历史图像数据进行特征融合，得到历史融合特征；

利用PCA(Principal Components Analysis，主成分分析)降维算法对所述历史融合特征进行降维处理，降维特征；

获取具有分类作用的初始神经网络模型；

将所述降维特征作为训练样本训练所述初始神经网络模型，直至所述初始神经网络模型的准确率达到配置准确率，停止训练，得到所述无人机检测模型。

例如：所述初始神经网络模型可以为二分类网络模型，这样，训练得到的所述无人机检测模型可以输出是或者否，以确定是否检测到无人机。

其中，所述配置准确率可以进行自定义配置，如95％。

在上述实施例中，首先生成历史融合特征，进一步地，由于历史融合特征的维度太高，容易造成维数灾难，因此采用PCA降维，最后利用降维特征作为训练样本训练所述初始神经网络，得到所述无人机检测模型。

S13，当检测到所述防御圈内有无人机时，将检测到的无人机确定为目标无人机，并对所述目标无人机进行融合定位，得到所述目标无人机的目标位置。

在本实施例中，所述对所述目标无人机进行融合定位前，所述方法还包括：

确定在预设时长内是否持续检测到所述目标无人机；

当在所述预设时长内没有持续检测到所述目标无人机时，继续检测所述防御圈内是否有无人机；或者

当在所述预设时长内持续检测到所述目标无人机时，发出报警提示，并对所述目标无人机进行融合定位。

其中，所述预设时长可以配置为10秒等。

例如：当在10秒内没有持续检测到所述目标无人机时，说明可能存在误判(如只是有无人机短暂停留或者误闯入，此时停留时间往往较短)，则继续检测所述防御圈内是否有无人机；当在10秒内持续检测到所述目标无人机时，则可以直接发出报警提示，以警示无人机操控者，同时提醒安全防护人员有无人机入侵，以便及时采取应对措施，还可以对所述目标无人机进行录像以保存入侵证据。进一步地，对所述目标无人机进行融合定位，以实时跟踪所述目标无人机的位置。

通过上述实施例，能够再次确认检测结果，以避免发生误判。

在本实施例中，所述对所述目标无人机进行融合定位，得到所述目标无人机的目标位置包括：

获取辅助进行定位的每个基站的坐标作为每个第一坐标，及获取辅助进行定位的基站的数量作为目标数量；

采用TDOA(Time Difference of Arrival，到达时间差)算法对所述目标无人机进行定位，得到第二坐标；

采用AOA(Angle of Arrival，到达角度测距)算法对所述目标无人机进行定位，得到第三坐标；

计算所述目标无人机到每个基站的距离作为每个第一距离；

计算所述第二坐标与每个第一坐标间的距离得到每个第二距离；

计算每个第一距离与对应的每个第二距离间的差的平方，得到与每个基站对应的每个第一平方值；

计算每个第一平方值的累加和作为第一累加和；

计算所述第一累加和与所述目标数量的商，得到与所述TDOA算法对应的第一系数；

计算所述第三坐标与每个第一坐标间的距离得到每个第三距离；

计算每个第一距离与对应的每个第三距离间的差的平方，得到与每个基站对应的每个第二平方值；

计算每个第二平方值的累加和作为第二累加和；

计算所述第二累加和与所述目标数量的商，得到与所述AOA算法对应的第二系数；

计算所述第二坐标与所述第一系数的商作为第一定位结果，及计算所述第三坐标与所述第二系数的商作为第二定位结果；

计算所述第一定位结果与所述第二定位结果的和，得到当前定位；

计算所述第一系数的倒数得到第一权重，及计算所述第二系数的倒数得到第二权重；

计算所述第一权重与所述第二权重的和，得到目标权重；

计算所述当前定位与所述目标权重的商，得到所述目标位置。

通过上述实施例，能够结合时域及频域有效解决无人机定位偏差的问题。

S14，基于所述目标位置对所述目标无人机进行光电检测跟踪，得到跟踪结果。

例如：以所述目标位置为起点，继续通过所述车载无人机防御系统中的无线电装置对所述目标无人机进行持续跟踪，这样，既获取到了无人机入侵的证据，又避免了目标丢失。

S15，根据所述跟踪结果对所述目标无人机进行反制。

在本实施例中，所述根据所述跟踪结果对所述目标无人机进行反制包括：

当所述跟踪结果显示所述目标无人机处于所述驱离区或者所述核心区时，检测所述车载无人机防御系统的操作区域内是否有人值守；

当检测到无人值守时，向所述目标无人机发射配置时长的无线电压制信号；或者当检测到有人值守时，发出反制提示信息，当接收到反制指令时，向所述目标无人机发射所述配置时长的无线电压制信号；

继续对所述目标无人机进行光电检测跟踪；

当跟踪到所述目标无人机返航时，确定反制有效；

当跟踪到所述目标无人机未返航时，确定反制无效，发出二次反制提示信息；

在进行二次反制后，若再次确定反制无效，则控制所述车载无人机防御系统的车辆跟随所述目标无人机的飞行轨迹，并获取所述目标无人机与所述车载无人机防御系统的车辆的实时距离，当所述实时距离达到射程时，向所述目标无人机发射所述配置时长的无线电压制信号。

其中，所述配置时长可以为30秒。

其中，所述反制提示信息可以向值守人员的终端设备发送，也可以在所述车载无人机防御系统的显示屏上显示提示信息，同时发出预警提示音。

其中，所述反制指令可以由值守人员触发，例如：当检测到所述车载无人机防御系统中的预设按键(可以为虚拟按键，也可以为实体按键)被触发时，确定接收到所述反制指令；或者，当检测到预设语音指令(如：“发射无线电压制信号”)时，确定接收到所述反制指令。

其中，当二次反制仍然无效时，则说明所述目标无人机可能超过了有效射程，此时，控制所述车载无人机防御系统的车辆跟随所述目标无人机的飞行轨迹，一旦检测到所述目标无人机在有效射程内，则立即向所述目标无人机发射所述配置时长的无线电压制信号，以达到有效的反制。

由以上技术方案可以看出，本发明应用于车载无人机防御系统，在预先建立的防御圈内实时进行无线电侦测得到无线电数据及实时采集图像数据，并对无线电数据及图像数据进行特征融合得到融合特征，实现无线电与光电的优势互补，以提高无人机感知的准确度，将融合特征输入至无人机检测模型以检测防御圈内是否有无人机，对检测到的目标无人机进行融合定位，有效避免了定位偏差，进一步对目标无人机进行光电检测跟踪，并根据跟踪结果对目标无人机进行反制，以实现对无人机的精准防御。

如图2所示，是本发明车载无人机防御装置的较佳实施例的功能模块图。所述车载无人机防御装置11包括侦测单元110、融合单元111、检测单元112、定位单元113、跟踪单元114、反制单元115。本发明所称的模块/单元是指一种能够被处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。

本实施例所述的车载无人机防御装置11运行于车载无人机防御系统，具体包括：

所述侦测单元110，用于在预先建立的防御圈内实时进行无线电侦测得到无线电数据，及实时采集图像数据；

所述融合单元111，用于对所述无线电数据及所述图像数据进行特征融合，得到融合特征；

所述检测单元112，用于将所述融合特征输入至预先训练的无人机检测模型，并根据所述无人机检测模型的输出数据检测所述防御圈内是否有无人机；

所述定位单元113，用于当检测到所述防御圈内有无人机时，将检测到的无人机确定为目标无人机，并对所述目标无人机进行融合定位，得到所述目标无人机的目标位置；

所述跟踪单元114，用于基于所述目标位置对所述目标无人机进行光电检测跟踪，得到跟踪结果；

所述反制单元115，用于根据所述跟踪结果对所述目标无人机进行反制。

由以上技术方案可以看出，本发明应用于车载无人机防御系统，在预先建立的防御圈内实时进行无线电侦测得到无线电数据及实时采集图像数据，并对无线电数据及图像数据进行特征融合得到融合特征，实现无线电与光电的优势互补，以提高无人机感知的准确度，将融合特征输入至无人机检测模型以检测防御圈内是否有无人机，对检测到的目标无人机进行融合定位，有效避免了定位偏差，进一步对目标无人机进行光电检测跟踪，并根据跟踪结果对目标无人机进行反制，以实现对无人机的精准防御。

如图3所示，是本发明实现车载无人机防御方法的较佳实施例的计算机设备的结构示意图。

所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如车载无人机防御程序。

本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。

需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如车载无人机防御程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行车载无人机防御程序等)，以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。

所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个车载无人机防御方法实施例中的步骤，例如图1所示的步骤。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成侦测单元110、融合单元111、检测单元112、定位单元113、跟踪单元114、反制单元115。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述车载无人机防御方法的部分。

所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器等。

进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。

尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。

可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

图3仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种车载无人机防御方法，所述处理器13可执行所述多个指令从而实现：

在预先建立的防御圈内实时进行无线电侦测得到无线电数据，及实时采集图像数据；

对所述无线电数据及所述图像数据进行特征融合，得到融合特征；

将所述融合特征输入至预先训练的无人机检测模型，并根据所述无人机检测模型的输出数据检测所述防御圈内是否有无人机；

当检测到所述防御圈内有无人机时，将检测到的无人机确定为目标无人机，并对所述目标无人机进行融合定位，得到所述目标无人机的目标位置；

基于所述目标位置对所述目标无人机进行光电检测跟踪，得到跟踪结果；

根据所述跟踪结果对所述目标无人机进行反制。

具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

需要说明的是，本案中所涉及到的数据均为合法取得。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。