[发明专利]一种基于无人机成像技术的道路目标检测方法

说明书

本发明公开了一种基于无人机成像技术的道路目标检测方法，属于目标检测和深度学习技术领域。具体方法如下：首先通过无人机在日常道路上进行飞行拍摄，采集不同道路上的图片数据，将采集到的数据返回到地面站进行分析处理，通过k‑means聚类方法，预先对图片进行聚类分析，找到最佳的Anchor Box，建立Yolov4神经网络目标检测模型，选取适当的损失函数和超参数进行训练，最终实现日常道路的目标检测。本发明方法通过无人机成像技术结合深度学习实现道路目标检测，操作简单，相较于传统的目标检测方法，本发明方法识别速度更快，且目标检测的准确率更高。

技术领域

本发明涉及无人机技术和目标检测技术领域，更具体地说，本发明涉及一种基于无人机成像技术的道路目标检测方法。

背景技术

近些年来，随着我国经济和计算机技术的快速发展，计算机视觉领域也得到了迅猛发展。目标检测是计算机视觉最基本的应用方向之一，并且目标检测技术在监控视频和图像识别领域都发挥着巨大的作用。随着人们生活水平的不断提高，目前社会的节奏也在逐渐加快，汽车的数量也逐渐增多，因此道路上出现问题的概率也随之增加，例如车辆超载、车辆追尾、违章停车等等问题，无形中增加了道路安全隐患。

目前各大汽车厂商也都在汽车安全问题上付出了很多努力，如防抱死刹车系统(ABS)、自动紧急刹车系统(AEB)，以及自动驾驶技术使用的毫米波雷达技术和使用传感器感测车身周围环境。虽然这些功能在汽车道路安全方面做出了很大贡献，但是目前自动驾驶技术并不成熟且其造价较为昂贵，绝大部分车辆还是依靠人为控制，因此如违章停车等各种影响道路安全的行为还是屡见不鲜。

传统的目标检测方法主要采用人为手动提取图片特征，然后通过滑动窗口的方式进行检测，在实际生活中会存在遮挡和距离太远导致无法识别的现象，导致人为无法去进行分辨，因此基于深度学习的目标检测方法成为主流。在自然的实时的道路环境中进行实时检测车辆和行人以及交通标志物等是目前汽车道路安全辅助的重要组成部分，道路目标检测最重要的就是要保证目标物体识别的准确性，和相对较为准确的定位信息和距离信息等。传统的目标检测方法主要利用分类器处理各种类别特征，在运算速度和分析速度上有所欠缺。

本发明方法采用无人机图像技术结合深度学习进行日常道路的目标检测，采用Yolov4网络实现日常道路上的实时目标检测，相比与传统的目标检测方法，Yolov4算法在不影响实时性的情况下运算速度上更快，检测精度更高。

发明内容

本发明提供了一种基于无人机成像技术的道路目标检测方法。通过操控无人机在日常道路上进行飞行拍摄，采集不同道路上的图片数据，将采集到的数据返回到地面站并进行分析处理，通过k-means聚类方法，预先对图片进行聚类分析，找到最佳的Anchor Box，建立Yolov4神经网络目标检测模型，选取适当的损失函数和超参数进行训练，最终实现日常道路的目标检测。

本发明通过以下技术方案来实现：一种基于无人机成像技术的道路目标检测方法，包括对道路图像的采集，通过操控多旋翼无人机搭载高清相机对日常道路进行图像采集。将采集到的道路日常图像传回到地面站，对图像进行预处理。根据图像中存在的类别个数，使用k-means聚类方法对包含n个数据对象的数据集随机选取k个数据对象作为聚类算法的初始类簇中心点，根据相似性度量标准划分数据集中的数据对象，通过反复迭代直至所属聚类簇不再发生变化，即实现数据对象聚类，确定最佳先验框。确定好先验框后，将先验框坐标和图像数据集输入到建立好的yolov4模型中，调节超参数并选择适当的损失函数，开始迭代训练，训练好后将验证集图像输入到训练好的模型中实现目标检测。

一种基于无人机成像技术的道路目标检测方法，其特征在于，包括以下步骤：

S1、选择可见度较好，晴朗的天气开展图像采集工作，避免采集的训练集图像不够清晰从而造成训练误差。通过操控搭载高清相机的多旋翼无人机对日常道路进行图像采集，同时将采集到的清晰的日常道路图像传回地面站；