[发明专利]一种弱对比度环境下无人机鲁棒检测方法、装置和设备

说明书

本申请涉及一种弱对比度环境下无人机鲁棒检测方法、装置和设备。所述方法包括：通过对弱对比环境下无人机的运动视频进行抽帧预处理，将每一帧图像中的无人机目标进行标注用于模型训练；将所有帧图像输入双流网络模型中；双流网络模型包括ResNet50网络、FlowNetS网络、RF模块、ACFM模块和PDC模块；对网络进行训练，得到训练好的双流网络模型，用于弱对比环境下视频无人机目标的检测。本发明采用双流网络并行的架构，可充分获取时空特征，提出了一个端到端可训练的框架，可同时预测像素的前景对象分割和光流；对低层、中层、高层特征分别进行增强处理，引入了PDC模块使最终获得的目标更加清晰。

技术领域

本申请涉及计算机技术领域，特别是涉及一种弱对比度环境下无人机鲁棒检测方法、装置、计算机设备和存储介质。

背景技术

目标检测是计算机视觉领域一个研究热点，在智能监控、自动驾驶和人机交互等领域有着广阔的应用前景，其中目标与背景相似导致检测精度低是目前检测研究的一个重点。近年来，国内外都对弱对比度目标检测技术进行了相关的研究，并取得一定的突破。

现有的弱对比度条件下视频目标检测方案主要针对单幅图像的分割方法，存在检测效果不佳的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高目标检测效果的弱对比度环境下无人机鲁棒检测方法、装置、计算机设备和存储介质。

一种弱对比度环境下无人机鲁棒检测方法，所述方法包括：

获取弱对比环境下无人机的运动视频，对所述运动视频进行抽帧预处理后得到帧图像，将每一帧图像中的无人机目标进行标注得到GT图像；

将所有帧图像输入用于无人机目标检测的双流网络模型中；所述双流网络模型包括ResNet50网络、FlowNetS网络、RF模块、ACFM模块和PDC模块；

通过所述ResNet50网络对任一帧图像进行特征提取，得到低层特征、中层特征和高层特征；

对所述低层特征进行边界边缘特征增强得到低层增强特征；

通过所述FlowNetS网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；所述光流特征分别与所述中层特征和所述高层特征进行特征融合后得到中层融合特征和高层融合特征；

通过所述RF模块对所述中层融合特征和所述高层融合特征进行特征增强，得到中层增强特征和高层增强特征；

通过所述ACFM模块引入多尺度通道注意力机制对所述高层增强特征进行跨层面特征融合，得到高层增强融合特征；

通过所述PDC模块根据所述低层增强特征、中层增强特征和所述高层增强融合特征进行处理，减少相邻特征差距，输出无人机目标图像；

根据所述GT图像中标注的无人机目标和所述双流网络模型输出的无人机目标图像，对所述ResNet50网络和所述FlowNetS网络进行训练，得到训练好的双流网络模型；

将待检测的弱对比环境下无人机的运动视频进行抽帧预处理后输入所述训练好的双流网络模型，输出无人机目标检测结果。

在其中一个实施例中，还包括：通过加权最小二乘滤波算法，对所述低层特征进行平滑处理，增强边界边缘特征，得到低层增强特征。

在其中一个实施例中，还包括：通过所述FlowNetS网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；所述FlowNetS网络有多个卷积层，包括降维编码模块和升维解码模块。