一种基于目标空间分布特征的无人机航拍车辆检测方法技术

本发明专利技术公开了一种基于目标空间分布特征的无人机航拍车辆检测方法，该方法首先基于条件生成对抗CGAN思想构建航拍车辆密度估计网络，生成车辆密度图，由此获得车辆目标空间分布特征；其次，依据目标空间分布特征对高分辨率航拍车辆图像实现自适应切分，得到若干局部图像块；最后，利用局部图像块以及原始无人机航拍车辆图像分别训练得到一个单阶段车辆检测器，并将全局图像与局部图像块的检测结果基于Soft

【技术实现步骤摘要】
一种基于目标空间分布特征的无人机航拍车辆检测方法


[0001]本专利技术属于智能交通领域，尤其涉及一种基于目标空间分布特征的无人机航拍车辆检测方法。

技术介绍

[0002]近年来，智能交通系统的有关研究受到了各界学者的广泛关注，准确、实时地对道路交通场景信息的全方位感知是构建智能交通系统的重要环节，其中对交通的主要参与者车辆进行检测识别，是进行交通态势感知评估的必要前提。相比于路侧安装固定摄像头的方式，在无人机航拍视角下对道路交通中的车辆进行感知，具有高灵活、宽视角以及大范围优势，这对于对弥补传统路侧视角下环境感知方法固有缺陷、推动智能交通系统的构建与发展具有重要意义。
[0003]同时，随着深度学习技术的快速发展以及其在目标检测领域的出色表现，国内外研究者利用深度学习算法针对于航拍视角下的车辆检测也有了广泛的研究。而现有研究多聚焦于已有目标检测器在航拍车辆检测任务上的优化改进，虽然在检测精度以及速度上取得了一定效果，但是忽略了将高分辨率航拍图像直接缩放输入检测器所造成的图像中车辆目标，尤其是航拍视角下占比较高的小尺度车辆目标像素特征点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标空间分布特征的无人机航拍车辆检测方法，其特征在于，包括以下步骤：(1)首先，基于条件生成对抗CGAN思想构建航拍车辆密度估计网络，生成车辆密度图；具体包括以下步骤：(1.1)搭建U型编解码对称式结构的生成器网络G；网络主体结构共包含13层卷积，其中第1、2、4与6层采用可学习的卷积操作实现4次两倍下采样，与之对应地，第8、10、12与13层采用反卷积操作对编码后得到的图像语义特征进行解码并恢复特征图的分辨率，上采样以及下采样卷积中使用的卷积核尺寸均为3
×
3；生成网络第3、5、7、9、11层各引入两组含有两个3
×
3卷积核的残差块结构，其中第3、5、7层残差块中采用混合空洞卷积，对于n个连续卷积核大小为K
×
K的卷积层，其扩张率r设置依据为：式(1)中M为两个非零值之间的最大距离，由此设计生成器网络中每个残差块中的两个3
×
3空洞卷积扩张率r分别为1，2；每个卷积层后加入批量标准化层，激活层使用LeakyReLU作为激活函数，并在编码与解码结构中对应的同等分辨率尺寸特征图之间加入跳连接；网络中的卷积核数均设置为64，并在解码器的最后一层后进行一个输出通道数为一的1
×
1卷积操作；(1.2)搭建PatchGAN形式的鉴别器网络D；该鉴别器网络中含有三个连续3
×
3卷积层进行两倍下采样操作，然后紧跟三个3
×
3卷积进行进一步的特征提取，对首尾层卷积层外的其它卷积层进行批量标准化处理，采用LeakyReLU函数作为激活函数，然后第一个卷积层通道数为64，其余卷积层除最后一层为1外，通道数都较其前一层通道数翻倍，最后在鉴别器网络加入Sigmoid函数得到最终判别分数的输出；(1.3)设置目标函数以指导网络中权重参数优化更新，构造的目标函数为：式(2)中目标函数共包含4项损失函数，为每项损失函数配置一个权值参数，其中航拍车辆密度估计网络的对抗损失为：式(3)中I为航拍车辆RGB图像，DM为与之对应的单通道密度图真值图像；并引入L2损失函数：式(4)中N表示训练时采用的batch大小，I
i
为输入的航拍车辆图片，DM
i
为标注的真值密度图；同时引入关于目标数目的平均绝对误差损失：
特征匹配损失函数为：式(6)中f
i
代表鉴别器D的第i层卷积后的输出特征，n是鉴别器的卷积层数；(1.4)制作密度图真值标签并基于步骤(1.3)确定的目标函数对步骤(1.1)与(1.2)搭建的网络进行对抗性训练，将训练后的生成器网络作为最终的航拍车辆密度估计网络；对于航拍车辆图像，首先建立单通道点图，即在一张与原RGB图像等尺寸的单...

【专利技术属性】
技术研发人员：李旭，宋世奇，
申请(专利权)人：东南大学，
类型：发明
国别省市：