[发明专利]一种基于轻量级神经网络的无人机图像车辆检测方法

说明书

本发明公开了一种基于轻量级神经网络的无人机图像车辆检测方法，包括以下步骤：S01，计算损失公式，使度量匹配度的平方误差期望值最小，确定自适应大小的锚框尺寸；S02，使用轻量级神经网络提取图像特征，得到图像的特征图；S03，根据图像的特征图生成预测框并进行目标分类与定位；S04，过滤掉属于背景的预测框以及去除掉冗余的预测框，输出剩余的预测框。本发明提供的一种基于轻量级神经网络的无人机图像车辆检测方法及其工作方法，采用了自适应大小的锚框以及轻量级神经网络ShuffleNet V2的网络结构，使得使用无人机进行车辆目标检测拥有更高的识别精度及速度，满足了该场景下无人机内的低功耗处理器对检测任务的准确性与实时性的要求。

技术领域

本发明涉及一种基于轻量级神经网络的无人机图像车辆检测方法，属于深度学习与目标检测领域。

背景技术

由于其移动性和快速性的特点，无人机在很多领域得到了广泛应用。目前无人机在许多特定场景下已经展现出了优势，帮助人们记录高空视角下的海量图像与视频数据。目标检测技术需要定位出物体的位置并识别出物体的类别。目前目标检测领域的深度学习方法主要分为两类：两阶段(Two-Stages)的目标检测算法和单阶段(Single-Stage)的目标检测算法。两阶段：首先在图像上提取候选框，然后进行分类与回归，常见的算法有R-CNN、Fast R-CNN、Faster R-CNN等。单阶段：不需要提取候选框，直接将目标框定位的问题转化为回归(regression)问题处理，常见的算法有YOLO、SSD等。

目前目标检测算法在无人机图像中已被广泛应用，但主流的目标检测方法在无人机目标检测的应用中，尤其是在目标较小且尺寸较为固定的情况下，普遍存在以下问题：(1)锚框尺寸的经验设置不能很好地匹配目标的尺寸；(2)网络模型复杂，使得检测过程计算量大，耗费时间。以上两个问题使得目前基于深度学习的使用无人机进行目标检测的方法，尤其是在目标较小且尺寸较为固定的情况下，不能很好地得到检测结果，且很难在一些计算能力差、功率较小的处理器上快速运行。

传统的目标检测方法在常规场景下，选择经验设置下的锚框尺寸并通过复杂的神经网络模型能够有效地对场景中的目标进行分类与定位，得到目标检测结果。但在使用无人机对车辆目标进行实时检测的场景下，经验设置下的锚框尺寸无法很好地与大小较小且尺寸较为固定的目标进行匹配，同时复杂的网络模型使得检测过程的计算量大，无法满足检测的实时性。

发明内容

本发明要解决的技术问题是，克服现有技术的缺陷，提供一种能够提高无人机进行车辆目标检测拥有更高的识别精度及速度，满足该场景下无人机内的低功耗处理器对检测任务的准确性与实时性的要求的基于轻量级神经网络的无人机图像车辆检测方法。

为解决上述技术问题，本发明采用的技术方案为：

一种基于轻量级神经网络的无人机图像车辆检测方法，包括以下步骤：

S01，计算损失公式，使度量匹配度的平方误差期望值最小，确定自适应大小的锚框尺寸；

S02，使用轻量级神经网络提取图像特征，得到图像的特征图；

S03，根据图像的特征图生成预测框并进行目标分类与定位；

S04，过滤掉属于背景的预测框以及去除掉冗余的预测框，输出剩余的预测框。

S01具体步骤为：

假设总数为K的锚框为A＝{A₁,…,A_k,…,A_K}，A_k则表示第k个锚框，S_k表示与A_k相匹配的人工标注框，则：