[发明专利]一种新的基于深度学习的无人机目标检测方法

说明书

本发明公开了一种采用深度学习方法，基于YOLOV3‑tiny卷积神经网络的算法用于无人机目标检测，涉及计算机视觉领域。本发明利用深度可分离卷积来对标准卷积进行了替换，使得模型更加的轻量化；在原始模型网络中引入了注意力机制，以此提高目标检测的效率以及在处理多尺度目标时的检测精度。该改进方法有效提升了原网络的检测精度与检测速度，在面对多尺度目标，尤其是小目标的检测时取得了良好的检测效果。

技术领域

本发明属于计算机视觉领域，具体设计一种新的基于深度学习的无人机目标检测算法。

背景技术

计算机视觉进行无人机识别是目前国内外无人机检测方面较为先进的方式，但传统视觉算法对于多尺度目标识别精确度较差，检测速度较慢，虽然可以对反无人机捕获打击系统进行目标引导，但精度与速度达不到要求。由于无人机普遍体积小，飞行快，因此采用传统视觉算法的目标检测系统不能很好地胜任为捕获打击系统提供目标引导信息这一任务。深度学习可以说是机器学习领域的变革者，采用深度学习的方法，以可见光摄像机为基础场景感知设备，获取待检大场景，可以针对多个动态复杂背景的目标，研究多动态目标探测跟踪技术并对探测的目标进行初步筛选，获取可疑无人机目标并进行跟踪。

发明内容

采用深度学习的目标检测网络通常来说检测层较多，网络较深，造成参数量过大计算速度较慢，而要提升计算速度又会损失算力，造成精度的下降；并且多尺度目标尤其是小目标例如无人机的检测一直是目标检测的难点所在，本发明提出一种基于YOLOV3-tiny卷积神经网络的改进算法用于无人机识别，本算法利用深度可分离卷积来对标准卷积进行了替换，使得模型更加的轻量化；在原始模型网络中引入了注意力机制，以此提高目标检测的效率以及在处理多尺度目标时的检测精度；

本发明采用了如下的技术方案与实现步骤：

1.数据集采集，划分为训练集、验证集与测试集，使用图像标注工具对图像进行标注，生成标注文件；对标注文件进行处理，划分为训练集、验证集与测试集；