一种基于轻量化网络的无人机影像车辆检测方法及装置制造方法及图纸

本发明专利技术涉及一种基于轻量化网络的无人机影像车辆检测方法及装置，属于视觉目标检测领域，包括：获取无人机的机载摄像头采集的目标区域图像，并对所述目标区域图像进行预处理；将预处理后的目标区域图像输入至预先训练的轻量化检测网络，获取所述预先训练的轻量化检测网络输出的目标区域初始车辆检测结果；采用非极大值抑制算法对所述目标区域初始车辆检测结果进行筛选，获取目标区域的最终车辆检测结果；本发明专利技术提供的技术方案解决了SSD目标检测模型的计算量和参数量太大导致无人机平台无法实时检测车辆目标且检测准确率低的问题。

【技术实现步骤摘要】
一种基于轻量化网络的无人机影像车辆检测方法及装置
本专利技术涉及视觉目标检测领域，具体涉及一种基于轻量化网络的无人机影像车辆检测方法及装置。
技术介绍
车辆目标实时检测在交通流量监测、交通规划、车辆引导指挥等方面起着极其重要的作用。随着无人机技术的发展，其灵活性、机动性、便捷性使得无人机在交通流量监测等方面得到了广泛的应用，常被用于车辆目标检测。由于无人机的软硬件功耗大且电池容量有限，导致其载荷和续航时间受到了严重的制约。因此，工业界对无人机的低功耗要求越来越严格。为解决这个问题，现有的优化方案主要是对无人机的电池、发动机等硬件进行优化；但是除了这些因素造成电能消耗外，更重要的是无人机所搭载的软件算法，尤其是其核心算法，即车辆目标检测算法。现有的目标检测算法普遍采用深度学习技术，这类算法虽然准确率较高，但常见的算法的网络结构复杂、参数量大、计算量大，而无人机搭载的处理器性能有限，在运行这类复杂的算法时，无法满足实时性需求。常见的轻量级检测算法如MobileNet-SSD等，在该平台上对车辆目标检测的准确率很低。因此，有必要提出一种实时性本文档来自技高网...

【技术保护点】
1.一种基于轻量化网络的无人机影像车辆检测方法，其特征在于，所述方法包括：/n获取无人机的机载摄像头采集的目标区域图像，并对所述目标区域图像进行预处理；/n将预处理后的目标区域图像输入至预先训练的轻量化检测网络，获取所述预先训练的轻量化检测网络输出的目标区域初始车辆检测结果；/n采用非极大值抑制算法对所述目标区域初始车辆检测结果进行筛选，获取目标区域的最终车辆检测结果。/n

【技术特征摘要】
1.一种基于轻量化网络的无人机影像车辆检测方法，其特征在于，所述方法包括：
获取无人机的机载摄像头采集的目标区域图像，并对所述目标区域图像进行预处理；
将预处理后的目标区域图像输入至预先训练的轻量化检测网络，获取所述预先训练的轻量化检测网络输出的目标区域初始车辆检测结果；
采用非极大值抑制算法对所述目标区域初始车辆检测结果进行筛选，获取目标区域的最终车辆检测结果。


2.如权利要求1所述的方法，其特征在于，所述预先训练的轻量化检测网络的获取过程包括：
步骤1.获取无人机的机载摄像头采集的实景图像数据，并对所述实景图像数据中图像进行预处理；
步骤2.人工标注所述实景图像数据中图像中车辆的车辆类别和矩形边界框；
步骤3.对所述实景图像数据进行数据增强，并将增强后的实景图像数据划分为训练数据和测试数据；
步骤4.利用所述训练数据和测试数据对初始轻量化神经网络模型进行训练，并将训练完成的初始轻量化神经网络模型作为所述预先训练的轻量化检测网络。


3.如权利要求1或2所述的方法，其特征在于，所述预处理包括：
对图像进行裁切，并将裁切后的图像缩小至512*512；
其中，所述裁切过程中裁切窗口尺寸为720*720，裁切窗口的重叠尺寸为200像素。


4.如权利要求2所述的方法，其特征在于，所述数据增强包括：平移、旋转、尺度缩放、亮度变化和/或高斯模糊。


5.如权利要求2所述的方法，其特征在于，所述初始轻量化神经网络模型包括：
第一特征提取单元，用于将输入图像依次经过2组3*3的标准卷积层，得到高256，宽256，通道数为64的特征图；
第二特征提取单元，用于将第一特征提取单元输出的特征图经过动态特征卷积块，得到高128，宽128，通道数为128的特征图；
第三特征提取单元，用于将第二特征提取单元输出的特征图经过自适应感受野模块，得到高128，宽128，通道数为128的特征图；
第四特征提取单元，用于将第二特征提取单元输出的特征图依次经过三组动态特征卷积块，分别获取各组动态特征卷积块输出的高64，宽64，通道数为256的特征图，高32，宽32，通道数为512的特征图和高16，宽16，通道数为512的特征图；
第五特征提取单元，用于将所述高16，宽16，通道数为512的特征图依次经过四组3*3的标准卷积，分别获取各3*3的标准卷积输出的高8，宽8，通道数为512的特征图，高4，宽4，通道数为256的特征图，高2，宽2，通道数为256的特征图和高1，宽1，通道数为256的特征图；
定位子网络，用于对所述高64，宽64，通道数为256的特征图，高32，宽32，通道数为512的特征图，高16，宽16，通道数为512的特征图，高8，宽8，通道数为512的特征图，高4，宽4，通道数为256的特征图，高2，宽2，通道数为256的特征图和高1，宽1，通道数为256的特征图进行逐像素预测，获取定位偏移值；
分类子网络，对所述高64，宽64，通道数为256的特征图，高32，宽32，通道数为512的特征图，高16，宽16，通道数为512的特征图，高8，宽8，通道数为512的特征图，高4，宽...

【专利技术属性】
技术研发人员：孙显，刁文辉，付琨，许滔，尹文昕，李浩，王佩瑾，刘迎飞，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：北京;11