[发明专利]一种基于上下文信息感知的无人机定位方法及系统

权利要求书

1.一种基于上下文信息感知的无人机定位方法，其特征在于，包括：

构建无人机检测数据集；

构建无人机检测网络，所述无人机检测网络包括特征表示生成网络、局部信息表示路径、全局信息表示路径和尾部预测结构；

采用所述无人机检测数据集训练所述无人机检测网络，获得无人机检测模型；

采用所述无人机检测模型进行待检测无人机的定位；

所述无人机检测网络中，所述特征表示生成网络用于生成多尺度特征图并将各尺度特征图输入区域建议网络，输出各尺度特征图对应的第一无人机特征表示；所述局部信息表示路径用于从各尺度特征图中截取区域特征图，并对截取的区域特征图进行卷积后与对应的第一无人机特征表示进行通道维度的拼接，获得第二无人机特征表示，各截取的区域特征图是对应第一无人机特征表示的设定倍数；所述全局信息表示路径用于对各尺度特征图中尺度最小的尺度特征图进行全局平均池化操作后依次经过第一全连接层和第二全连接层，输出全局信息表示图，将所述全局信息表示图依次与各第二无人机特征表示进行矩阵相乘，输出第三无人机特征表示；所述尾部预测结构用于根据所述第三无人机特征表示获得待检测无人机的坐标信息。

2.根据权利要求1所述的基于上下文信息感知的无人机定位方法，其特征在于，所述特征表示生成网络采用DenseNet为骨干网络，基于DenseNet构建特征融合结构；所述DenseNet包括五个卷积块，依次输出特征图N1、特征图N2、特征图N3、特征图N4和特征图N5，将特征图N5记为特征图M5，所述特征融合结构用于将特征图M5进行2倍的上采样后与特征图N4按元素相加，输出特征图M4，将特征图M4进行2倍的上采样后与特征图N3按元素相加，输出特征图M3，将特征图M3进行2倍的上采样后与特征图N2按元素相加，输出特征图M2；所述特征表示生成网络还用于将特征图M2、特征图M3、特征图M4和特征图M5输入区域建议网络，分别输出特征图M2、特征图M3、特征图M4和特征图M5对应的第一无人机特征表示。

3.根据权利要求1所述的基于上下文信息感知的无人机定位方法，其特征在于，所述设定倍数为三倍，所述局部信息表示路径用于将各第一无人机特征表示在对应尺度特征图上左上角的坐标作为待截取的区域特征图的左上角坐标，以三倍第一无人机特征表示的宽度作为待截取的区域特征图的宽度，以三倍第一无人机特征表示的高度作为待截取的区域特征图的高度，在各对应尺度特征图上截取区域特征图；所述局部信息表示路径还用于对截取的区域特征图进行卷积核为1*1，步长为3的卷积后与对应的第一无人机特征表示进行通道维度的拼接，获得第二无人机特征表示。

4.根据权利要求2所述的基于上下文信息感知的无人机定位方法，其特征在于，所述全局信息表示路径用于对特征图M5进行下采样获得特征图M6，对特征图M6进行全局平均池化操作；所述第一全连接层的输入维度为128，所述第二全连接层的输入维度为64。

5.根据权利要求1所述的基于上下文信息感知的无人机定位方法，其特征在于，所述采用所述无人机检测模型进行待检测无人机的定位，具体包括：

将摄像头采集到的可见光视频依次转换为图像帧；

将所述图像帧依次输入到所述无人机检测模型，输出包含无人机检测框的图像帧；

将包含无人机检测框的图像帧转换为视频作为无人机定位结果。