一种无人机侦查地面目标的轻量化自动检测方法技术

本发明专利技术涉及图像处理及机器视觉技术领域，提供了一种无人机侦查地面目标的轻量化自动检测方法，包括S1、模型建立与训练：采用改进后的SSD算法对无人机侦查图像进行特征提取、标注框框回归和类别预测，完成模型训练；改进后的SSD算法采用Squeeze Net替换VGG作为基础网络，Squeeze Net增加若干个卷积层；S2、利用训练好的模型对无人机侦查图像进行目标检测。本发明专利技术将Squeeze

【技术实现步骤摘要】
一种无人机侦查地面目标的轻量化自动检测方法


[0001]本专利技术涉及图像处理及机器视觉
，特别涉及一种无人机侦查地面目标的轻量化自动检测方法。

技术介绍

[0002]近年来，无人机作为一支新兴作战力量，在智能化作战条件下发挥了不可替代的作用，大力发展无人机装备技术，对于提升部队作战能力具有重大的战略意义。目标自动检测技术作为无人机执行侦察打击任务的关键技术之一，能够为无人机视觉导航、目标跟踪、目标定位和精准打击等技术提供强大支持。高效准确的检测算法，可以有效减轻地面操作人员的负担，提高侦查能力以及快速响应作战效能。
[0003]传统的无人机航拍图像目标检测算法需要对图像进行预处理，然后对整幅图像进行滑动窗口遍历操作，通过初步判断目标可能会出现的位置，人工设计侦搜目标的某种特征，如常见的方向梯度直方图(HOG,histogram of oriented gradient)特征、尺度不变特征变换(SIFT,scale
‑
invariant feature transform)特征、哈尔特征(Haar
‑
link feature)和加速稳健特征(SURF,speeded up robust feature)等，最后将特征送入支持向量机(SVM,support vector machine)或Adaboost分类器进行分类，完成检测任务。但是人工设计特征存在很大弊端，在设计过程中会过于依赖以往经验，且算法在陌生场景下的表现效果不好，检测算法的稳健性不强，极大地阻碍了检测算法的应用。
[0004]卷积神经网络在网络层次和单层网络的通道数上，均是深度的，都存在大量需要处理的数据。卷积神经网络90％以上的计算需求来自于立体卷积算子(三维)，立体卷积算子需要对网络中的全部数据逐点进行立体卷积运算，cpu承受如此巨大的计算量时计算效率非常低下。
[0005]在无人机视频图像处理系统中，对侦查地面目标的自动检测技术目前面临以下问题：
[0006]1)传统目标检测算法通过滑窗遍历的方式整幅图像来检索目标，既影响了检测效率，又影响了检测准确度，在现有硬件处理基础上，难以保证实时性；
[0007]2)网络训练消耗过大，模型训练代价过高；
[0008]3)受cpu硬件条件限制，无法在有限资源条件下充分发挥算法优势，计算资源分配不合理，造成计算效率低下。

技术实现思路

[0009]针对基于无人机视频图像特点和国内现有技术在无人机侦察地面目标检测方面的缺陷，统筹算法性能和部署适应性，本专利技术所要解决的技术问题为如下技术问题至少之一：
[0010]1、传统目标检测算法滑窗遍历整幅图像的特征提取和准确度问题；
[0011]2、传统深度学习算法模型较大难以在嵌入式设备中部署的问题；
[0012]3、计算资源分配不合理，计算效率低，难以进行多硬件并行计算的问题；
[0013]4、待检测目标像素数较少，纹理不明显，容易引起误检或漏检的问题；
[0014]5、检测过程的实时性问题。
[0015]本专利技术采用如下技术方案：
[0016]一种无人机侦查地面目标的轻量化自动检测方法，所述方法包括：
[0017]S1、模型建立与训练：采用改进后的SSD算法对无人机侦查图像进行特征提取、标注框框回归和类别预测，完成模型训练；所述改进后的SSD算法为采用Squeeze Net替换VGG16作为前置基础网络，对目标图像进行特征提取；Squeeze Net增加若干个卷积层；
[0018]S2、利用训练好的模型对无人机侦查图像进行目标检测。
[0019]进一步的，步骤S1的具体步骤如下：
[0020]S1.1将无人机侦查图像输入用用Squeeze net替换VGG16后的SSD算法进行特征提取；
[0021]S1.2基于SSD算法内的多尺度检测，对所述无人机侦查图像中的目标进行检测和标识，得到候选区域；
[0022]S1.3根据所有候选区域的分类得分，通过非极大值抑制筛选出最终的目标区域。
[0023]进一步的，在模型训练时，采用多硬件并行计算；所述多硬件包括ARM、GPU、NPU。
[0024]进一步的，在步骤S1中，NPU处理常规卷积和全连接的计算，ARU处理数据缩放和数据映射，CPU处理剩余的数据计算。
[0025]进一步的，模型训练时进行整数量化，用浮点保存定点参数，使用int8代替原权重所用的float32。
[0026]进一步的，步骤S1中，Squeeze Net中增加2个卷积层fire10和fire11，选用4个卷积层fire5、fire9、fire10、fire11输出的特征图进行分类和检测框的回归计算。
[0027]一种实现上述无人机侦查地面目标的轻量化自动检测方法的信息数据处理终端。
[0028]一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的无人机侦查地面目标的轻量化自动检测方法。
[0029]本专利技术的有益效果为：
[0030]1)本专利技术运行效率高，仅使用显卡GTX1050的条件下，在分辨率1920*1080的视频图像上的运算时间为20ms，可以进行实时处理。
[0031]2)本专利技术将Squeeze
‑
net算法作为网络前置算法对目标进行特征提取，避免了检测算法因滑窗尺寸、步长不能无级变化或目标特征不明显引起的漏检或误检，增加了检测的准确率。
[0032]3)本专利技术训练网络模型时进行整数量化，使用int8代替原权重所用的float32，获得近4倍的网络加速，且在减小尺寸的同时保证检测准确率。
[0033]4)本专利技术融合ARM、GPU、NPU共同推理，将计算资源合理分配，实现多硬件并行计算，提升计算效率。
附图说明
[0034]图1所示为本专利技术实施例一种无人机侦查地面目标的轻量化自动检测方法的训练流程图。
[0035]图2所示为fire module结构图。
[0036]图3所示为实施例中Squeeze
‑
SSD特征金字塔结构示意图。
具体实施方式
[0037]下文将结合具体附图详细描述本专利技术具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。
[0038]本专利技术采用基于Squeeze
‑
SSD目标检测算法和多硬件协同量化训练的相结合的方式来完成无人机侦察地面目标的自动检测。其中，首先采用基于训练时整数量化及多硬件协同计算的目标检测模型训练方案，其次采用训练好的基于Squeeze
‑
SSD模型对无人机侦察视频图像进行目标检测。算法训练总体流程如图1所示。
[0039]算法可归纳为以下步骤：
[0040]1)将图像输入用Squeeze net替换VGG16本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机侦查地面目标的轻量化自动检测方法，其特征在于，所述方法包括：S1、模型建立与训练：采用改进后的SSD算法对无人机侦查图像进行特征提取、标注框框回归和类别预测，完成模型训练；所述改进后的SSD算法为采用Squeeze Net替换VGG16作为前置基础网络，对目标图像进行特征提取；Squeeze Net增加若干个卷积层；S2、利用训练好的模型对无人机侦查图像进行目标检测。2.如权利要求1所述的无人机侦查地面目标的轻量化自动检测方法，其特征在于，步骤S1的具体步骤如下：S1.1将无人机侦查图像输入用用Squeeze net替换VGG16后的SSD算法进行特征提取；S1.2基于SSD算法内的多尺度检测，对所述无人机侦查图像中的目标进行检测和标识，得到候选区域；S1.3根据所有候选区域的分类得分，通过非极大值抑制筛选出最终的目标区域。3.如权利要求1或2所述的无人机侦查地面目标的轻量化自动检测方法，其特征在于，在模型训练时，采用多硬件并行计算；所述多硬件包括ARM、GPU...

【专利技术属性】
技术研发人员：吴国强，孙浩惠，姜梁，王家星，包文龙，钱宇浛，
申请(专利权)人：中国航天电子技术研究院，
类型：发明
国别省市：