[发明专利]一种面向无人机机载平台部署的实时目标检测方法及装置

说明书

本发明公开了一种面向无人机机载平台部署的实时目标检测方法及装置，所述方法包括：将预先搭建的LiteDenseHG‑Net网络模型部署至无人机的机载平台，并通过无人机的机载摄像机实时采集对地画面图像；对所述机载摄像机实时采集的对地画面图像进行图像预处理后，存储至机载平台的数据库；将经过图像预处理后的图像输入至所述LiteDenseHG‑Net网络模型进行前向计算，得到对应的目标检测结果；将所述目标检测结果实时发送至所述无人机的控制单元，以使所述控制单元根据所述目标检测结果对无人机进行实时控制。本发明通过在无人机机载平台上搭载LiteDenseHG‑Net网络模型，实现在计算资源受限平台上对目标进行实时检测的目的，提高检测精度，并在完成检测后实时对无人机进行精准的实时控制。

技术领域

本发明涉及计算机视觉和神经网络优化技术领域，尤其是涉及一种面向无人机机载平台部署的实时目标检测方法及装置。

背景技术

低成本小型无人机由于其具有地勤保障要求低、机动性强和安全风险系数小等优点，在各行各业都有了广泛发展。而在航拍领域，通过无人机携带摄像机来执行对地目标检测任务就是其中一个热点和难点。由于无人机本身载荷有限，往往无法在无人机的机载平台放置功能强大的GPU计算单元，目前常用的无人机对地目标检测方法一般是离线处理，即无人机只执行拍摄任务，而目标检测部分则在后期在地面计算单元上进行处理，该方法要求对所执行任务没有实时性要求，从通用性和高效性角度来说需要一种同时具有优秀的精度性能和更小的模型尺寸的目标检测算法。

但是，在对现有技术的研究与实践过程中，本发明的发明人发现，虽然现有技术已经提出了各种基于深度学习的目标检测算法，并且在复杂场景下比传统物体检测算法也有着更优秀的表现。但是现有的基于深度学习的目标检测算法还存在如下缺陷：例如RCNN系列的Fast-cnn算法即使在地面强大的GPU计算资源下也无法达到实时性要求，而在速度上占据优越性的YOLO系列则由于其需要庞大的网络规模，无法在嵌入式机载平台设备上进行部署。因此，亟需一种能够面向计算资源受限的无人机平台的实时目标检测方法。

发明内容

本发明实施例所要解决的技术问题在于，提供一种面向无人机机载平台部署的实时目标检测方法及装置，通过在无人机机载平台上搭载LiteDenseHG-Net网络模型，实现在计算资源受限平台上对目标进行实时检测的目的，提高检测精度，并在完成检测后实时对无人机进行精准的实时控制。

为解决上述问题，本发明的一个实施例提供了一种面向无人机机载平台部署的实时目标检测方法，至少包括如下步骤：

将预先搭建的LiteDenseHG-Net网络模型部署至无人机的机载平台，并通过无人机的机载摄像机实时采集对地画面图像；

对所述机载摄像机实时采集的对地画面图像进行图像预处理后，存储至机载平台的数据库；

将经过图像预处理后的图像输入至所述LiteDenseHG-Net网络模型进行前向计算，得到对应的目标检测结果；

将所述目标检测结果实时发送至所述无人机的控制单元，以使所述控制单元根据所述目标检测结果对无人机进行实时控制。

作为优选方案，所述将预先搭建的LiteDenseHG-Net网络模型部署至无人机的机载平台，具体为：

搭建初步的LiteDenseHG-Net网络模型；

通过采集无人机的历史对地目标图像构建样本数据集；

通过所述样本数据集对所述初步的LiteDenseHG-Net网络模型进行训练优化，得到最优的LiteDenseHG-Net网络模型后部署至无人机的机载平台。

作为优选方案，所述通过采集无人机的历史对地目标图像构建样本数据集，还包括：