一种基于深度学习的低空无人机目标检测方法及系统技术方案

本发明专利技术提出了一种基于深度学习的低空无人机目标检测方法及系统，包括：采集目标区域内的光学影像信息；基于EConvBlock卷积方式对所述光学影像信息进行特征提取得到特征图；构建多个不同尺度的卷积层，依次对所述特征图进行处理，以确定所述光学影像信息是否存在无人机，及无人机的位置；提高了单个卷积模块的感受野，特征提取器使用更少的卷积模块数量即可达到大的感受野，减少计算量和计算冗余；本发明专利技术结合了无人机目标特点，约束默认边界框的长宽比为1∶1，减少搜索空间，提高检测准确率；本发明专利技术的技术方案结合无人机防御系统的综合防御体系，限定尺度搜索范围并采用非线性尺度搜索，加大近目标检测密度，提高综合防御性能。

【技术实现步骤摘要】
一种基于深度学习的低空无人机目标检测方法及系统
本专利技术涉及图片识别领域，具体涉及一种基于深度学习的低空无人机目标检测方法及系统。
技术介绍
随着无人机技术的迅猛发展，以消费级无人机为代表的“低慢小”飞行器对公共安全特别是军政要地、大型民用设施、军事设施及重大活动的安保带来了严重的威胁。传统的防空武器面对无人机等“低慢小”目标时，通过电子雷达和红外进行预警，依赖人工交互对威胁性目标进行确认和打击，存在发现识别困难、难以跟踪、实时性低等缺点。本专利技术针对该问题，基于深度学习方法，提出一种无人机目标智能检测流程和方法，有助于提高无人机防御系统中从预警、检测识别、跟踪和打击的全链路自动化程度，尽最大程度减少人为干预，提高识别准确率、系统实时性和综合防御性能。传统的通用目标检测算法受限于特征的表征能力有限，在检测准确率上达到瓶颈期，无法取得较大突破，限制了这些放法的在实际环境中应用场景。现有的基于深度学习的通用目标检测算法虽然能取得较好的效果，但仍存在两个问题：1.未针对无人机目标的特点做特定的限制和改造，仍存在较高的虚警率；2.现有算法通过大量重复的“卷积模块”来提高网络感受野和特征提取能力，而这些“卷积模块”存在大量冗余计算，效率低下。
技术实现思路
为了解决现有技术中所存在的技术问题，本专利技术提供一种基于深度学习的低空无人机目标检测方法，包括：采集目标区域内的光学影像信息；基于EConvBlock卷积方式对所述光学影像信息进行特征提取得到特征图；构建多个不同尺度的卷积层，依次对所述特征图进行处理，以确定所述光学影像信息是否存在无人机，及无人机的位置。优选的，所述基于EConvBlock卷积方式对所述光学影像信息进行特征提取得到特征图，包括：将所述光学影像信息作为输入特征图分别馈入卷积数量相同但孔径不同的多个卷积分支进行处理；将多个卷积分支的输出特征图进行级联合并；然后再依次馈入批归一化层和激活函数层得到输出特征图。优选的，所述构建多个不同尺度的特征图，依次对所述特征图进行处理，以确定所述光学影像信息是否存在无人机，包括：构建多个不同尺度的特征图；将所述特征图依次输入不同的卷积模块，得到多个分辨率依次递减的多尺度特征图；将多尺度特征图分别输入多个不同的卷积层，得到相应的表征检测结果的输出特征图；将所有表征检测结果的特征图馈入损失层进行损失计算；其中，根据每个卷积层对应的特征图的分辨率不同，其候选框的尺寸具有不同的约束参考框尺寸。优选的，所述卷积层的输出通道数均为6K，其中K为代表所述卷积层对应的特征图中每个单元对应K个候选参考框。优选的，所述不同尺度的特征图与对应的候选参考框尺度的关系如下式：式中，Smin对应最浅层特征图检测目标的尺度，Smax对应最高层特征图检测目标的尺度，m为使用的特征图层级数，k为指定特征图层级，Sk对应特征图层k级的尺度。优选的，所述特征图检测目标的尺度长宽比为1。优选的，所述最浅层特征图检测目标的尺度Smin取值为0.1；所述最高层特征图检测目标的尺度Smax设定为0.8。优选的，所述特征图层k级的尺度Sk，与特征图层级k的关系如下：当k＝1时，Sk＝0.1；当k＝2时，Sk＝0.3；当k＝3时，Sk＝0.5；当k＝4时，Sk＝0.6；当k＝5时，Sk＝0.7；当k＝6时，Sk＝0.8。基于同一种专利技术构思，本专利技术还提供一种基于深度学习的低空无人机目标检测系统，包括：采集模块，用于采集目标区域内的光学影像信息；特征提取模块，用于基于EConvBlock卷积方式对所述光学影像信息进行特征提取得到特征图；无人机检测模块，构建多个不同尺度的卷积层，依次对所述特征图进行处理，以确定所述光学影像信息是否存在无人机，及无人机的位置。与现有技术相比，本专利技术的有益效果为：本专利技术采用的技术手段为一种基于深度学习的低空无人机目标检测方法，包括：采集目标区域内的光学影像信息；基于EConvBlock卷积方式对所述光学影像信息进行特征提取得到特征图；构建多个不同尺度的卷积层，依次对所述特征图进行处理，以确定所述光学影像信息是否存在无人机，及无人机的位置；提高了单个卷积模块的感受野，特征提取器使用更少的卷积模块数量即可达到大的感受野，减少计算量和计算冗余；本专利技术的技术方案还结合了无人机目标特点，约束默认边界框的长宽比为1:1，减少搜索空间，提高检测准确率；本专利技术的技术方案结合无人机防御系统的综合防御体系，限定尺度搜索范围并采用非线性尺度搜索，加大近目标检测密度，提高综合防御性能。附图说明图1为本专利技术提供的目标检测方法流程图；图2为本专利技术提供的无人机检测算法流程图；图3为现有技术中的常用卷积模块；图4为本专利技术提供的EConvBlock示意图；图5为本专利技术提供的特征提取器结构；图6为本专利技术提供的无人机检测器；图7为本专利技术提供的目标检测系统框图。具体实施方式为了更好地理解本专利技术，下面结合说明书附图和实例对本专利技术的内容做进一步的说明。在无人机防御系统中，其特殊的应用场景，计算设备的计算能力有限，对无人机目标检测算法有特定的要求，需要有较快的计算速度和较低的虚警率。本专利技术针对防御系统中的无人机目标检测算法的实际应用需求进行了适应性改造，提出了一个适用于低空监测无人机反制系统的无人机快速检测算法：1.针对无人机目标特点，通过计算得出一组适用于无人机目标的“参考框”尺寸，限定算法参数以降低虚警率；2.使用新的卷积模块EConvBlock代替原有卷积模块，减少计算冗余；3.基于EConvBlock构建高效特征提取器，仅使用少量卷积层获得大的感受野，计算效率复杂度低。实施例1，如图1所示，本专利技术提供了基于深度学习的低空无人机目标检测方法，具体算法流程如2所示，输入为光学相机拍摄的图片，经过特征提取器得到特征图，将其馈入无人机检测器，输出为每个像素点相对于不同“参考框”(不同长宽比)存在目标的置信度以及无人机目标位置信息，最后经过非极大值抑制算法得到最终的检测结果。特征提取器特征提取器需要有足够的感受野来得到更好的特征提取结果。卷积操作为局部连接方式，而现代卷积神经网络中通常使用小核卷积，单个卷积操作的感受野非常小。通用目标检测算法中使用经典的神经网络如VGGNets或ResNets作为特征提取器，这些网络通过不断重复使用相同的“卷积模块”来加深网络的感受野，但这同样带来了大量的计算复杂度，存在较高的计算冗余。本专利技术提出了一种高效的卷积模块EConvBlock代替原有的卷积模块，可以使用较少的网络层数达到深度网络的感受野，减少计算冗余。使用EConvBlock可以此减少特征提取器的卷积层数，进而减少计算本文档来自技高网...

【技术保护点】
1.一种基于深度学习的低空无人机目标检测方法，其特征在于，包括：/n采集目标区域内的光学影像信息；/n基于EConvBlock卷积方式对所述光学影像信息进行特征提取得到特征图；/n构建多个不同尺度的卷积层，依次对所述特征图进行处理，以确定所述光学影像信息是否存在无人机，及无人机的位置。/n

【技术特征摘要】
1.一种基于深度学习的低空无人机目标检测方法，其特征在于，包括：
采集目标区域内的光学影像信息；
基于EConvBlock卷积方式对所述光学影像信息进行特征提取得到特征图；
构建多个不同尺度的卷积层，依次对所述特征图进行处理，以确定所述光学影像信息是否存在无人机，及无人机的位置。


2.如权利要求1所述的检测方法，其特征在于，所述基于EConvBlock卷积方式对所述光学影像信息进行特征提取得到特征图，包括：
将所述光学影像信息作为输入特征图分别馈入卷积数量相同但孔径不同的多个卷积分支进行处理；
将多个卷积分支的输出特征图进行级联合并；
然后再依次馈入批归一化层和激活函数层得到输出特征图。


3.如权利要求1所述的检测方法，其特征在于，所述构建多个不同尺度的特征图，依次对所述特征图进行处理，以确定所述光学影像信息是否存在无人机，包括：
构建多个不同尺度的特征图；
将所述特征图依次输入不同的卷积模块，得到多个分辨率依次递减的多尺度特征图；
将多尺度特征图分别输入多个不同的卷积层，得到相应的表征检测结果的输出特征图；
将所有表征检测结果的特征图馈入损失层进行损失计算；
其中，根据每个卷积层对应的特征图的分辨率不同，其候选框的尺寸具有不同的约束参考框尺寸。


4.如权利要求3所述的检测方法，其特征在于，所述卷积层的输出通道数均为6K，其中K为代表所述卷积层对应的特...

【专利技术属性】
技术研发人员：闫梦龙，马益杭，王书峰，陈凯强，
申请(专利权)人：飒铂智能科技有限责任公司，
类型：发明
国别省市：山东;37