[发明专利]一种无人机侦查地面目标的轻量化自动检测方法

说明书

本发明涉及图像处理及机器视觉技术领域，提供了一种无人机侦查地面目标的轻量化自动检测方法，包括S1、模型建立与训练：采用改进后的SSD算法对无人机侦查图像进行特征提取、标注框框回归和类别预测，完成模型训练；改进后的SSD算法采用Squeeze Net替换VGG作为基础网络，Squeeze Net增加若干个卷积层；S2、利用训练好的模型对无人机侦查图像进行目标检测。本发明将Squeeze‑net算法作为网络前置算法对目标进行特征提取，避免了检测算法因滑窗尺寸、步长不能无级变化或目标特征不明显引起的漏检或误检，增加了检测准确率；融合ARM、GPU、NPU共同推理，实现多硬件并行计算，提升计算效率。

技术领域

本发明涉及图像处理及机器视觉技术领域，特别涉及一种无人机侦查地面目标的轻量化自动检测方法。

背景技术

近年来，无人机作为一支新兴作战力量，在智能化作战条件下发挥了不可替代的作用，大力发展无人机装备技术，对于提升部队作战能力具有重大的战略意义。目标自动检测技术作为无人机执行侦察打击任务的关键技术之一，能够为无人机视觉导航、目标跟踪、目标定位和精准打击等技术提供强大支持。高效准确的检测算法，可以有效减轻地面操作人员的负担，提高侦查能力以及快速响应作战效能。

传统的无人机航拍图像目标检测算法需要对图像进行预处理，然后对整幅图像进行滑动窗口遍历操作，通过初步判断目标可能会出现的位置，人工设计侦搜目标的某种特征，如常见的方向梯度直方图(HOG,histogram of oriented gradient)特征、尺度不变特征变换(SIFT,scale-invariant feature transform)特征、哈尔特征(Haar-linkfeature)和加速稳健特征(SURF,speeded up robust feature)等，最后将特征送入支持向量机(SVM,support vector machine)或Adaboost分类器进行分类，完成检测任务。但是人工设计特征存在很大弊端，在设计过程中会过于依赖以往经验，且算法在陌生场景下的表现效果不好，检测算法的稳健性不强，极大地阻碍了检测算法的应用。

卷积神经网络在网络层次和单层网络的通道数上，均是深度的，都存在大量需要处理的数据。卷积神经网络90％以上的计算需求来自于立体卷积算子(三维)，立体卷积算子需要对网络中的全部数据逐点进行立体卷积运算，cpu承受如此巨大的计算量时计算效率非常低下。

在无人机视频图像处理系统中，对侦查地面目标的自动检测技术目前面临以下问题：

1)传统目标检测算法通过滑窗遍历的方式整幅图像来检索目标，既影响了检测效率，又影响了检测准确度，在现有硬件处理基础上，难以保证实时性；

2)网络训练消耗过大，模型训练代价过高；

3)受cpu硬件条件限制，无法在有限资源条件下充分发挥算法优势，计算资源分配不合理，造成计算效率低下。

发明内容

针对基于无人机视频图像特点和国内现有技术在无人机侦察地面目标检测方面的缺陷，统筹算法性能和部署适应性，本发明所要解决的技术问题为如下技术问题至少之一：

1、传统目标检测算法滑窗遍历整幅图像的特征提取和准确度问题；

2、传统深度学习算法模型较大难以在嵌入式设备中部署的问题；

3、计算资源分配不合理，计算效率低，难以进行多硬件并行计算的问题；

4、待检测目标像素数较少，纹理不明显，容易引起误检或漏检的问题；

5、检测过程的实时性问题。

本发明采用如下技术方案：

一种无人机侦查地面目标的轻量化自动检测方法，所述方法包括：