[发明专利]基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法

说明书

本发明公开了一种基于ASPP‑YOLOv4多尺度融合的无人机图像目标检测方法，首先，建立基于ASPP‑YOLOv4多尺度融合的无人机图像目标检测模型的具体操作包括以下步骤，建立YOLOv4网络结构；然后将改进的SENet网络嵌入到YOLOv4网络结构中主干特征提取网络CSPDarknet53的每个CSP残差块中；接着，在第一个CSP残差块和第二个CSP残差块后分别输出分辨率为208*208以及104*104的特征图，利用改进的ASPP下采样降维后融入到特征金字塔网络PANet中，得到基于ASPP‑YOLOv4多尺度融合的无人机图像目标检测模型；利用该无人机图像检测模型即可对无人机图像中的小目标进行检测。本发明中基于ASPP‑YOLOv4检测方法显著地提升了小目标的检测精度，同时降低了漏检以及误检的概率。

技术领域

本发明涉及无人机图像处理技术领域，尤其涉及基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法。

背景技术

无人机航拍视频图像中的小目标检测在航空图像分析、智能视频监控、光学遥感等方面有着广泛的应用。该图像分辨率高、视野大、目标场景变化剧烈、小目标数量众多、并且拍摄过程中存在抖动现象。现在主流的目标检测算法存在对小目标检测精度低且漏检率高的问题，很难达到实时应用的要求，因此，提高无人机航拍视频图像的小目标检测精度已成为目标检测领域亟待攻克的难点之一。

Chen等提出了ASPP网络模块，将不同空洞率的空洞卷积特征结合到一起，充分利用上下文信息；Xue等提出了多模态注意力融合YOLO的实时行人检测方法，从两种模态提取特征后通过模态加权融合模块进行融合，来增加更多的空间信息；Liu等在YOLOv3的基础上，通过连接两个具有相同宽度和高度的ResNet单元来优化残差块，以此来扩大感受野，提升对小目标检测的性能；贺文锐提出改进的通道注意力机制来突出细粒度信息，抑制无效的背景特征；Cheng等采用图像双分割和双线性上采样网络代替YOLOv3网络架构中的下采样卷积网络，增强了小物体检测的特征通道；Shi等对YOLOv3的残差模块进行了优化，改进了预测尺度模块和损失函数，提高了水下小目标的检测精度；候瑞环等在YOLOv4的PANet网络上增加跳跃连接与多方向的跨尺度连接相结合的特征融合方式，来获取更多的语义信息；Fu等在YOLOv4的PANet网络中加入CBAM注意力机制，增加有用特征权重的同时抑制无效特征的权重，提高检测精度；侯涛等使用DenseNet加强对飞机目标的特征提取，去除了用于检测大目标的特征层，减少语义丢失；Li等使用具有残差连接的卷积神经网络来提取图像特征并构建特征金字塔，将上层语义信息丰富的特征图与下层物体位置信息丰富的层融合，以提高网络对小物体检测的性能；张为等在YOLOv3的Darknet53主干网络中嵌入空洞卷积模块，在扩大感受野的同时保证不丢失特征图的分辨率；Zhang等通过将高分辨率图像进行变换，使其更接近低分辨率目标的特征分布，有效避免了过度拟合；Lv等在YOLOv3的主干特征提取网络中构建特征金字塔，并且加入注意机制来关注重要的信息特征。

上述现有的无人机图像中小目标检测的方法虽然从不同角度提高了无人机航拍视频图像的小目标检测精度，但是检测精度都还有待进一步提升，且在提升检测速度和准确率、降低漏检率方面也还有待提高。

发明内容

针对上述存在的问题，本发明旨在提供一种基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，可对无人机图像中的小目标进行快速检测，且检测精度高，漏检率低。

为了实现上述目的，本发明所采用的技术方案如下：

基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，其特征在于，包括以下步骤，

S1：建立基于ASPP-YOLOv4多尺度融合的无人机图像目标检测模型；

S2：将无人机图像尺寸调整为416*416，输入到步骤S1中建立的无人机图像目标检测模型中，对无人机图像中的目标进行检测。

进一步的，步骤S1的具体操作包括以下步骤，