[发明专利]一种基于机载光电视频的轻量化旋转目标检测识别方法

说明书

本发明公开了一种基于机载光电视频的轻量化旋转目标检测识别方法，其包括构建轻量化旋转目标检测识别模型的过程，其中轻量化旋转目标检测识别模型通过通道分裂‑聚合结构改进的特征提取网络对光电视频图像进行特征提取。本发明能够利用轻量化的深度神经网络模型快速地检测识别机载光电视频图像中的多类型、多尺度、多方向旋转目标，检测识别精度和稳定性高、计算复杂性较低。

技术领域

本发明涉及机载光电雷达目标检测识别技术领域。

背景技术

目前存在一些通过深度学习进行航空视频图像旋转目标检测的方法，这些方法主要采用轻量级移动神经网络(MobileNet)等目标检测框架，虽然其多通过一阶段检测框架和深度可分离卷积对模型进行了轻量化改进，但是深度可分离卷积中的大量堆叠的对效率产生了明显的限制，尤其是针对1×1的点对点卷积。

部分现有技术做出了改进，如Tiny-YOLO等采用更少卷积层数的网络以提高计算效率和速度，但伴随网络层数的减少，其特征学习能力减弱，导致检测识别精度较低。因此，一个既能保持较高目标检测识别精度又具有在机载嵌入式平台实时处理光电视频目标的深度神经网络模型是当前该领域的重要需求之一。

另一方面，针对视频图像旋转目标的检测识别，现有方法虽然采用了基于旋转角度回归(五参数法)或者四个顶点回归(八参数法)等方式表示和预测航空光电视频图像中的旋转目标，但是这些方法通常也存在旋转目标定位精度较低的问题。如，基于角度回归的五参数法只能预测特定角度旋转的矩形，难以精确定位到更多样化形状的目标，并且角度回归存在周期性问题；基于顶点回归的八参数法虽然可以表示任意形状的四边形边界框，但是边界框形状变化的自由度太多，将导致深度神经网络难以稳定预测且存在顶点排序的二义性问题，这些都制约了目标检测定位精度的提升。

总结上述现有技术，可以看出，它们在旋转目标的检测上无论是基于角度还是基于顶点的方法都难以稳定、准确地学习目标形状，同时在检测识别效率、特别是堆叠式深度可分离卷积的计算复杂度等方面仍然需要做出较大的改进。

发明内容

本发明的目的在于提出一种基于机载光电视频的轻量化旋转目标检测识别方法，其既能保持较高目标检测识别精度又具有在机载嵌入式平台实时处理光电视频目标的功能，同时识别准确率、稳定性和效率均较高、计算复杂度较低。

本发明的技术方案如下：

一种基于机载光电视频的轻量化旋转目标检测识别方法，其包括：

S1：构建轻量化旋转目标检测识别模型；

S2：在嵌入式平台上移植所述轻量化旋转目标检测识别模型，通过机载光电视频图像对其进行训练；

S3：通过训练完成得到的检测识别模型对旋转目标进行检测识别；

其中，所述轻量化旋转目标检测识别模型通过通道分裂-聚合结构改进的特征提取网络对光电视频图像进行特征提取，得到提取特征图；其中所述通道分裂-聚合结构改进的特征提取网络包括多组通道分裂-聚合卷积层，每组通道分裂-聚合卷积层包括一个分裂-聚合卷积子网，每个分裂-聚合卷积子网包括至少2个分裂的卷积层、及至少1个将分裂的卷积层的输出进行聚合的卷积层。

如在具体的实施中，设输入通道分裂-聚合结构的特征为X_W×H×C，其中W×H×C表示输入特征的维度，W、H、C分别表示输入特征的宽、高、和通道数量，那么每个通道分裂-聚合卷积层的分裂-卷积-聚合过程可以表示为：

其中，f_RandSeg(·)表示通道随机分裂操作，将特征按照通道方向随机分为两组，作为两个并行卷积分支的输入，表示随机分组后的两组特征，它们的维度均为W×H×C/2。将这两组特征分别进行卷积，如下：