[发明专利]一种基于深度神经网络的无人机对地探测方法及系统

说明书

本发明涉及一种基于深度神经网络的无人机对地探测方法及系统，包括：从逐帧采集的图像中获取待测目标的首个位置；将首个位置作为目标跟踪的初始目标位置，持续根据当前帧图像中待测目标位置对应的候选区域确定下一帧图像中的目标位置，当目标跟踪失败时，重新从逐帧采集的图像中获取待测目标的首个位置并进行跟踪；本发明提供的技术方案能够实时对采集的视频进行监视，提升了目标检测效率和精确度；同时本发明提供的技术方案中采用深度神经网络的目标探测方法的计算量小且实用性较高。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于深度神经网络的无人机对地探测方法及系统。

背景技术

当前深度神经网络飞速发展，应用也越来越广泛，在视频或者图像上利用深度神经网络进行目标检测或者搜索的方法主要包含FasterR-CNN，R-CNN等为代表的两步法和以YOLO，SSD等为代表的一步法；尽管FasterR-CNN是两步法中优秀的算法，但是在K40GPU强大计算能力支持下仅能达到5FPS处理速度，达不到实时性要求；虽然一步法中的YOLO和SSD目标检测的速度能够达到15FPS以上能够达到实时性要求，但是必须TitanX或者M40GPU的计算能力才能支持。目标跟踪算法中性能较好、速度较快的算法以相关滤波类算法为代表，这类算法跟踪稳定，速度较快，有限的计算能力下就能达到172FPS。

无人机是一种由无线电遥控操控或自主程序控制、无人驾驶的一种可重复使用的航空器，它具有结构简单、造价低廉、生存能力强、机动性能好并且可以完成多种类型任务的优点；但是无人机承载重量低使得它不能搭载计算性能强大的计算设备，从而使得部署基于深度神经网络的目标检测算法存在困难，而且小型无人机机载计算机如树莓派或者odroid的重量轻，计算能力有限；即使速度较快的一步法中的TinyYOLO或者Mobilenets-SSD部署于odroid机载计算机上，目标检测速度也不超过3FPS，达不到实时性要求。已经退役的捕食者无人机主要是通过无人机的传感器获取数据回传地面，在地面人工判读；“全球鹰”改进型可携带信号传感器和用于探测地面移动目标的雷达，具备初步的机上目标探测监视能力(区分动静，探测移动目标)，探测技术不够成熟；彩虹无人机通过无人机的传感器获取数据回传地面，在地面人工判读，后端进一步处理；人工智能算法在“扫描鹰”上试验，试验开始仅几天，计算机对人员、车辆、建筑等物体的识别准确率便达到了60％，1周后提升到80％，然而，这种应用仍然是在地面完成的；由此来看，目前的技术仍然无法实现对无人机机载摄像头实时采集的数据中的目标进行跟踪检测以及进行下一步指示的处理操作。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于深度神经网络的无人机对地探测方法及系统，利用基于深度神经网络的目标检测算法和跟踪算法相结合，在无人机飞行过程中实时从机载摄像头获取的数据中检测特定目标并进行跟踪的方法，实现战术无人机对地面目标监视搜索、对移动目标的定向跟踪以及对空中目标的检测与跟踪。

本发明的目的是采用下述技术方案实现的：

本发明提供了一种基于深度神经网络的无人机对地探测方法，其改进之处在于，包括：

步骤1)从逐帧采集的图像中获取待测目标的首个位置；

步骤2)将首个位置作为目标跟踪的初始目标位置，持续根据当前帧图像中待测目标位置对应的候选区域确定下一帧图像中的目标位置，当目标跟踪失败时，返回步骤1)。

优选的，所述目标跟踪失败的判断条件包括下述任一种：

当目标检测时长大于目标跟踪时长且目标检测时长为目标跟踪时长的正整数倍；或者

当当前帧图像中未检测到待测目标；

所述目标检测时长为将逐帧采集的图像输入预先训练的目标检测深度神经网络模型至获得图像中待测目标首个位置的时间间隔；

所述目标跟踪时长为获得每两帧图像中待测目标位置的时间间隔。