[发明专利]一种无人机低空目标精准检测识别方法

摘要

本发明公开一种无人机低空目标精准检测识别方法，根据全卷积网络(Fully Convolutional Networks，FCN)，实现基于尺度估计模型的无人机低空目标精准检测识别；该方法依据低空目标车辆、摩托车、骑车的行人、行人存在明显尺度范围这一特点，通过模型计算出目标的像素尺度，同时计算出锚的参数，提高识别的精度。

主权项

1.一种无人机低空目标精准检测识别方法，其特征在于，包括以下步骤：步骤(1)、推到无人机像素坐标系‑世界坐标系的转换关系；步骤(2)、计算统计低空目标实际尺寸，所述低空目标低空目标包括：车辆、摩托车、自行车、行人，将目标的实际尺度记为Lw，Lw∈(L0，L1)；步骤(3)，通过步骤(1)中坐标转换关系，结合步骤(2)计算出的尺度的实际尺寸，建立低空目标检测的尺度估计模型，根据前一步的计算的目标的实际尺度Lw在L0～L1之间，设目标的世界坐标为(X，d+Lw，1)和(X，d，1)，根据世界坐标计算出相应的像素坐标(μ1，v1)和(μ2，v2)，并将世界坐标中的Lw分别带入为L0和L1，带入低空目标检测的尺度估计模型，分别计算出坐标对应的像素尺度为Li0和Li1。将得到的像素尺度统称为Li，Li∈(Li0，Li1)；利用上述低空目标检测的尺度估计模型，分别计算目标的像素宽度尺度和像素长度尺度；利用得到的像素宽度尺度和像素长度尺度，计算出不同目标的锚尺度，即像素宽度尺度为锚的宽，像素的长度尺度就是锚的长；步骤(4)，利用步骤(3)中求得的目标的锚尺度，以像素点为中心建立不同的锚框，变换锚的长宽比，以一个像素为中心，加入9个不同尺度的锚，进而构成一个锚框，9个锚每三个为一组，每组内锚像素面积相等，用于识别相应的行人、小汽车、公交车目标；每一个锚框通过训练可以回归出两组数据，一组数据是四维的锚框数据，另一组是带有锚的得分的数据；步骤(5)，将所有的锚框得分尽行比较排序，选出得分大于阈值的作为有效的锚框，并且将这些锚框合并到一起得到RPN网络。步骤(6)，将步骤(5)得到的RPN送入卷积神经网络，利用锚框的得分，从RPN求出感兴趣区域(Region of Interest，Rol)；然后进行一步的利用卷积神经网络通过进行分类；在得到Rol并进行卷积和池化操作，然后将其进行Softmax回归操作；同时将其归一化到0至1区间，或者到‑1至1区间；然后对其进行Average操作，取其平均，最终得到物体在大类下的概率Pcls。步骤(7)，将步骤(5)中得到的RPN根据长宽比分为两类，一类锚的长宽比小于1.5，将Rol映射到利用3*3的卷积模板进行卷积得到的K1层特征图上；另一类Anchor的长宽比大于1.5，将Rol映射到利用3*5的卷积模板进行卷积得到的K2层特征图上；然后同步骤(6)一样，进行Average和Softmax操作，分别得到概率为a①和a②；步骤(8)，将步骤(6)中得到的Pcls和对应的a①或a②进行矩阵乘法；根据乘法后得到的值，即可给出相应的候选框以及框内物体的种类及概率，在此时得到能够精准检测识别无人机低空目标的网络；将无人机航拍的视频或图像信息输入网络，即可输出带有目标信息的视频或图像。