基于FoveaBox无锚神经网络的无人机检测方法技术

本发明专利技术提供了基于FoveaBox无锚神经网络的无人机检测方法，首先设定FoveaBox神经网络模型的初始参数，将无人机数据库中的训练集图像输入设定的FoveaBox神经网络模型进行训练，得到基于深度学习的无人机检测模型；将待检测的无人机图像输入到步骤一训练好的无人机检测模型，得到多层预测目标可能性的特征图；接着通过位置子网络对主干网的输出特征图进行处理，并结合检测头部子网络对主干网的输出特征图进行逐像素的分类，直接检测获取目标类型及位置信息。本发明专利技术所述的基于FoveaBox无锚神经网络的无人机检测方法，能够自动识别无人机，并对识别出的无人机标记确定无人机的位置信息，适用范围广，通用性强。通用性强。通用性强。

【技术实现步骤摘要】
基于FoveaBox无锚神经网络的无人机检测方法


[0001]本专利技术属于重点场景下视频及图像处理中无人机检测的
，尤其是涉及一种基于FoveaBox无锚神经网络的无人机检测方法。

技术介绍

[0002]随着无人机技术的发展和成本的降低，其载重能力越来越大、飞行距离越来越远，以及人们生活水平的不断提高，无人机市场也迅猛增长，并且被应用在航拍、测绘、送货、救援等各个领域。随之而来，无人机入侵机场净空区域发生故障的概率也在迅速攀升：非法使用的无人机进入禁飞空域或其他受保护空域，影响正常的无线电通信，对人民群众的生产生活造成巨大威胁。特别是频繁的无人机“黑飞”对民航飞机安全运行带来严重威胁，不仅给机场带来了巨大的经济损失，而且造成了极坏的社会影响。因此，在无线电管理工作中，对无人机监管和反制的研究工作日渐被重视，针对日趋严峻的无人机威胁，无人机检测和识别技术的研究与应用成为科研重点。
[0003]国内外对无人机的检测与反制体系由探测跟踪与预警技术、干扰技术、毁伤技术以及伪装欺骗
构成，通过信号干扰、雷达探测、激光炮击落、综合型技术等几种方式实施。如果无人机单独执行任务或仅有几架编队作战，可采用常规对抗手段，但当采用蜂群战术的大编队无人机群来袭时，留给作战人员及系统的反应时间极短。传统的防空武器系统是最常用的反无人机武器，可部署于空基、海基和陆基平台，但这些武器对于微小型无人机而言存在极大的成本不对称问题，且这些系统体积庞大，无法抵御小型、廉价无人机集群的入侵。
[0004]当今，对于图像目标检测，深度神经网络算法在目标检测领域的应用有了很大的发展与提高，深度神经网络算法需要大量的图片作为模型训练支撑。无人机图像易于拍摄，且无人机检测也属于目标检测的范畴，有望将深度神经网络应用在无人机检测的重要环境场合。但基于锚的目标检测器检测性能受锚框大小的影响较大；由于锚框大小是提前设定，不可变的，因此对小目标检测效果不好；由于锚盒的设定，将产生复杂的计算。

技术实现思路

[0005]有鉴于此，本专利技术旨在提出一种基于FoveaBox无锚神经网络的无人机检测方法，以解决现有的无人机检测方法对无人机检测效果差、计算量大、检测速率低等技术问题。
[0006]为达到上述目的，本专利技术的技术方案是这样实现的：
[0007]一种基于FoveaBox无锚神经网络的无人机检测方法，包括如下步骤：
[0008]S1、设定FoveaBox神经网络模型的初始参数，将无人机数据库中的训练集图像输入设定参数后的FoveaBox神经网络模型进行训练，得到深度学习的无人机检测模型；
[0009]S2、设将待检测的无人机图像输入到S1中训练好的无人机检测模型中，获得多层特征图；
[0010]S3、通过位置子网络对主干网的输出特征图进行处理，对覆盖目标的每个位置执
行框预测，生成每个目标对应的边界框；并结合检测头部子网络对主干网的输出特征图进行逐像素的分类，获得目标属于无人机的置信度，从而直接检测获取目标类型及位置信息。
[0011]S4、将S3得到的目标特征图上对应的每个目标边界框映射回原图，然后利用Smooth L1损失函数计算投影坐标与真实图像的归一化偏移，得到多个目标预测框；
[0012]S5、将S4得到的多个目标预测框中非最优的目标框删除，得到最佳的目标边界框，并将目标的类别及位置信息保存并显示。
[0013]进一步的，所述S2中获得多层特征图的具体方法为：经过模型主干网及特征金字塔网络对无人机图像进行特征提取，得到多层特征图。
[0014]进一步的，所述特征金字塔网络对无人机图像进行特征提取的具体方法为：特征金字塔网络使用自顶向下的架构和横向连接方式，从单一尺度的输入得到一个多级的金字塔特征组，每一级别的金字塔用于检测不同尺寸的预测目标。
[0015]进一步的，所述S5中将S4得到的多个目标预测框中非最优的目标框删除，得到最佳的目标边界框的具体使用方法为非极大值抑制方法。
[0016]进一步的，所述S1中对FoveaBox神经网络模型进行训练的具体方法为：
[0017]S11、设置FoveaBox参数网格框架；
[0018]S12、将输入的包含位置信息的无人机图像预处理，首先以1.5倍的数据增强率进行图像旋转而实现数据扩充，再输入FoveaBox神经网络进行训练；
[0019]S13、FoveaBox神经网络对输入的包含目标位置信息的图像进行处理，得到训练所需的正、负样本集，并进行模型训练，如此操作之后，得到无人机目标检测模型。
[0020]进一步的，所述步骤S3中对覆盖目标的每个位置执行框预测的具体方法为：采用Focal Loss来训练预测分支，预测损失F
l
的求解公式为：
[0021]F
l
＝
‑
α(1
‑
p
f
)
γ
log(p
f
),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0022]式中，p
f
为某像素被预测为某一类目标的得分，即预测为某类的概率，平衡因子γ是为了在训练过程中更关注困难的、错分的样本，此处γ的值为 1.5；平衡因子α是为了用来平衡正、负样本本身的比例不均，此处α的值为 0.4。
[0023]相对于现有技术，本专利技术所述的基于FoveaBox无锚神经网络的无人机检测方法具有以下优势：
[0024](1)本专利技术所述的基于FoveaBox无锚神经网络的无人机检测方法，能够自动识别无人机，并对识别出的无人机标记确定无人机的位置信息，适用于各种型号、各种品牌、各种大小的的无人机，且能够适用于雾、雨、雪等恶劣天气，适用范围广，通用性强。
[0025](2)本专利技术所述的基于FoveaBox无锚神经网络的无人机检测方法，检测精度高，能够有效避免误检及漏检的情况。
[0026](3)本专利技术所述的基于FoveaBox无锚神经网络的无人机检测方法，模型操作简单，避免了复杂训练后使用，实用性强。
附图说明
[0027]构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0028]图1为本专利技术实施例所述的基于FoveaBox无锚神经网络的无人机检测方法的流程
图；
[0029]图2为FoveaBox的总体目标检测实施流程图；
[0030]图3为现有的FoveaBox网络模型的目标检测框架结构；
[0031]图4为本专利技术实施例所述的改进后的FoveaBox网络模型的目标检测框架结构；
[0032]图5为原始FoveaBox网络模型在训练阶段；
[0033]图6为本专利技术实施例所述的FoveaBox网络模型在训练阶段；
[0034]图7为已有的Fovea本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于FoveaBox无锚神经网络的无人机检测方法，其特征在于：包括如下步骤：S1、设定FoveaBox神经网络模型的初始参数，将无人机数据库中的训练集图像输入设定参数后的FoveaBox神经网络模型进行训练，得到深度学习的无人机检测模型；S2、设将待检测的无人机图像输入到S1中训练好的无人机检测模型中，获得多层特征图；S3、通过位置子网络对主干网的输出特征图进行处理，对覆盖目标的每个位置执行框预测，生成每个目标对应的边界框；并结合检测头部子网络对主干网的输出特征图进行逐像素的分类，获得目标属于无人机的置信度，从而直接检测获取目标类型及位置信息。S4、将S3得到的目标特征图上对应的每个目标边界框映射回原图，然后利用Smooth L1损失函数计算投影坐标与真实图像的归一化偏移，得到多个目标预测框；S5、将S4得到的多个目标预测框中非最优的目标框删除，得到最佳的目标边界框，并将目标的类别及位置信息保存并显示。2.根据权利要求1所述的基于FoveaBox无锚神经网络的无人机检测方法，其特征在于：所述S2中获得多层特征图的具体方法为：经过模型主干网及特征金字塔网络对无人机图像进行特征提取，得到多层特征图。3.根据权利要求2所述的基于FoveaBox无锚神经网络的无人机检测方法，其特征在于：所述特征金字塔网络对无人机图像进行特征提取的具体方法为：特征金字塔网络使用自顶向下的架构和横向连接方式，从单一尺度的输入得到一个多级的金字塔特征组，每一级别的金字塔用于检测不同尺寸的预测目标。4.根据权利要求1所述的基于FoveaBox无锚神经网络的无人机检测方法，其特征...

【专利技术属性】
技术研发人员：屈景怡，刘闪亮，李云龙，吴仁彪，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：