[发明专利]一种无人机低空目标精准检测识别方法

说明书

本发明公开一种无人机低空目标精准检测识别方法，根据全卷积网络(Fully Convolutional Networks，FCN)，实现基于尺度估计模型的无人机低空目标精准检测识别；该方法依据低空目标车辆、摩托车、骑车的行人、行人存在明显尺度范围这一特点，通过模型计算出目标的像素尺度，同时计算出锚的参数，提高识别的精度。

技术领域

本发明属于计算机视觉、人工智能领域。具体涉及一种无人机低空目标精准检测识别方法，用于提高低空目标检测识别精度及速度。

技术背景

目标检测需要定位出物体的位置并识别出物体的类别。目前通用目标检测以R-CNN、Faster-RCNN、R-FCN、R-FCN-3000框架为主。该系列框架核心思想在于在图像上选出候选框，并且通过CNN(卷积神经网络)进行学习。R-CNN框架在VOC2007数据集测试中取得了58.5％的平均精确度均值(mean Average Precision，mAP)，Faster-RCNN框架在VOC2007上mAP能达到73％，利用NVIDIA Tesla K40 GPU速度可以达到5fps(画面每秒传输帧数，FramePer Second)，并成为目前目标检测识别算法主流。

但是在未经训练的真实数据上，面临精度、速度等问题。如R-FCN-3000利用NVIDIAP6000GPU在ImageNet数据集中速度可达30fps，但识别准确率仅有34.8％，同时会出现漏匹配和误匹配等问题。速度虽然比先前框架快，但对于复杂数据集的精度明显下降。本发明的特点在于，通过建立一套低空目标尺度估计模型，对视频目标像素尺度估算，计算出不同目标、不同拍摄参数下的锚框尺度，减少传统目标检测算法因不确定目标尺度带来的搜索范围较大、对不同尺度目标识别敏感度不同。主要解决有效提高目标搜索效率，增大目标检测识别精度，提高不同尺度目标的识别敏感度。

发明内容

本发明要解决的技术问题是，提供一种无人机低空目标精准检测识别方法，解决有效提高目标搜索效率，增大目标检测识别精度，提高不同尺度目标的识别敏感度

为实现上述目的，本发明采用如下的技术方案：

附图说明

图1本发明的相机成像坐标系示意图。

图2本发明的无人机拍摄示意图。

图3本发明的设计的整个网络架图。

具体实施方式

目前计算机视觉领域主流的R-FCN技术，速度虽然比先前Faster-RCNN框架快，但对于复杂数据集的精度明显下降。因其在锚(Anchor)、区域建议网络(Region ProposalNetwork，RPN)、感兴趣区域(Region of Interest，RoI)阶段是通过在卷积后得到的特征图(feature map)上，产生尺寸不同的锚实现的，并且根据锚给出目标可能存在的概率，RPN网络根据概率筛选出RoI，多次重复上述过程最终成功识别目标。经研究发现，对于车辆、摩托车、骑车的行人、行人等低空主要目标，存在实际尺度确定，在图像中的尺度有明显范围的特点。因此本发明旨在通过设计低空目标尺度估计模型，根据不同云台参数(如飞行高度、滚转、俯仰、偏航)、不同目标，计算出目标像素尺度，得到锚框(Anchor Box)尺度大小，减少传统目标检测算法因不确定目标尺度带来的搜索范围较大、对不同尺度目标识别敏感度不同。主要解决有效提高目标搜索效率，增大目标检测识别精度，提高不同尺度目标的识别敏感度。

为达到上述目的，本发明以全卷积网络(Fully Convolutional Networks，FCN)，为理论基础，设计基于尺度估计模型的无人机低空目标精准检测识别方法。该方法依据低空主要目标车辆、摩托车、骑车的行人、行人等存在明显尺度范围这一特点，通过模型计算出目标的像素尺度。进一步的计算出锚的参数，进一步提高识别的精度。

如图3所示，本发明提供一种无人机低空目标精准检测识别方法，包括以下步骤：