一种非合作无人机视觉探测及识别方法技术

本发明专利技术属于图像处理技术领域，公开了一种非合作无人机视觉探测及识别方法，主要解决远距离大视场下的无人机目标检测识别问题。实现步骤为：采集非合作场景下的图像数据，并进行标注；将采集到的图像数据使用瓶颈特征提取模块，提取出图像特征；将提取的图像特征采用特征融合网络进行特征融合；基于特征融合结果，得出目标识别结果。本发明专利技术采用的瓶颈特征提取模块可以有效降低特征维度与参数量，采用的特征融合模块，增强了模型的特征表达能力，可以有效提高模型对小目标以及多尺度目标的特征表达能力，采用空洞卷积可以有效降低计算量，提升检测速率。提升检测速率。提升检测速率。

【技术实现步骤摘要】
一种非合作无人机视觉探测及识别方法


[0001]本专利技术属于图像处理
，主要涉及一种非合作无人机视觉探测及识别方法，可用于远距离大视场下的无人机目标检测识别。

技术介绍

[0002]近年来，随着自动化技术、计算机技术、电子器件等高新科技水平的不断提高，无人机以体积小，不受人为限制、运动灵活、能耗相对较低的优点，使其可以应用于气象探测、地图测绘、边境控制、森林火灾防救、灾害监测、农药喷洒、民用通信中断、交通管制和地质勘测等领域，都有着广泛的应用价值。
[0003]随着无人机使用门槛的不断降低，但由于统一的行业标准和监管技术的缺失，无人机擅闯禁飞区事件屡见不鲜，严重扰乱了空域交通安全，使得无人机被滥用的可能性在显著增加。根据无人机目标与探测设备之间是否进行通信进行分类，无人机通常可分为“合作”和“非合作”两类。低空空域内无人机的非合作入侵飞行事件在国内外已屡见不鲜，不仅对公民隐私和生命财产安全造成了危害，严重制约了无人机产业化的发展，更是对公共安全和国家安全带来了十分巨大的威胁。因此，迫切需要采用视频图像信息对低空非合作无人机等“低慢小”目标进行有效检测，以实现后续的防护压制。
[0004]低空空域是指高度在1000m以下的飞行区域，它在农业，医疗以及交通行业潜藏着巨大的应用价值，随着国民经济的不断提升，低空空域的价值越来越不能被忽略。低空空域的开放固然会给国民经济的发展带来了好处，但就世界范围内来讲，低空空域的安全环境并不乐观，并且形势严峻。低空慢速小目标简称低慢小目标，是指飞行高度在1000m以下，飞行速度小于200km/h，雷达反射面积小于2平方米的低空飞行物的总称，常见的低慢小目标主要有多旋翼无人机，系留气球，航拍气球，动力三角翼，飞鸟，风筝等。
[0005]目前，典型的非合作无人机目标探测技术包括光电、无线电侦测、声学、雷达等。单一测探设备各有优缺点，雷达探测设备由于存在低空探测盲区且容易受低空空域杂波影响检测效果并不好，无线电侦测设备要求被侦测目标具有配合性，对于有意隐藏的保持无线电静默的目标并不好用，而光电探测设备相对比具有目标可视化性强，直观清晰等特点，应用时间最长。光电设备的非合作无人机探测与识别技术是指运用地面光电侦察设备，实现对非合作无人机的及时预警、探测、跟踪，为后续的反无人措施提供准确的信息情报。反无人机中的光电技术是指利用计算机视觉获取无人机闯入信息。光电模块采用深度学习的方法，运行目标检测算法，以可见光摄像机为基础场景感知设备，获取待检大场景，针对复杂背景多个动态的目标，研究多动态目标探测跟踪技术并对探测的目标进行初步筛选，主动发现疑似无人机目标后进行锁定和跟踪。同时以可见光图像为载体，针对近场景复杂背景下的非合作无人机目标，研究候选目标分析甄别技术，实现无人机、飞鸟、风筝等低空目标的精确识别。但小目标相对于普通目标而言，目标的图像信息较少，特征轮廓不明显，检测任务的多样化以及检测背景的复杂化使得小目标检测算法在语义分析、样本挖掘等方面面临诸多问题，这将会导致利用传统目标检测方法难以对小目标进行精确识别进而出现误识
别和漏识别情况。表现在图像中，为远距离大视场下的目标检测识别。反映在图像中就是大视场，低信噪比，目标成像面积小。因此，针对小目标检测算法精度与实时性的问题成为未来小目标检测改进的方向和面临的挑战和难题。

技术实现思路

[0006]本专利技术针对上述问题，提出了一种非合作无人机视觉探测及识别方法，得到更为良好的无人机目标检测识别结果。
[0007]本专利技术采用的技术方案为：
[0008]步骤1，采集非合作场景下的图像数据，并进行标注；
[0009]步骤2，将步骤1采集的图像数据使用瓶颈特征提取模块，提取出图像特征；
[0010]步骤3，将提取的图像特征采用特征融合网络进行特征融合；
[0011]步骤4，基于特征融合结果，得出目标识别结果。
[0012]其中，步骤2所述的瓶颈特征提取模块使用Darknet53为基础网络，Darknet53含有5个残差模块，每个残差模块的特征图与卷积层之间额外插入1
×
1卷积层，实现特征降维。
[0013]其中，步骤3具体为：将步骤2提取的图像特征分别经过三个分支进行不同大小的空洞卷积，使得对于不同尺度的目标具有不同大小的感受野，生成三个不同尺度的特征图，基于生成的三个不同尺度的特征图进行特征融合。
[0014]其中，步骤4所述的输出目标识别结果使用平均正确率mAP作为目标识别的评价指标。
[0015]本专利技术与现有技术相比具有如下优点：
[0016]1、本专利技术采用的瓶颈特征提取模块可以有效降低特征维度与参数量。
[0017]2、本专利技术采用的特征融合网络，增强了模型的特征表达能力，可以有效提高模型对小目标以及多尺度目标的特征表达能力。
[0018]3、本专利技术采用空洞卷积可以有效降低计算量，提升检测速率。
附图说明
[0019]图1是本专利技术的总流程图；
[0020]图2是本专利技术方法框架图；
[0021]图3是本专利技术方法瓶颈特征提取模块示意图；
[0022]图4是本专利技术方法特征融合网络示意图；
[0023]图5是本专利技术方法目标检测识别效果图。
具体实施方式
[0024]以下结合附图对本专利技术的实现步骤和实验结果作详细描述：
[0025]参照图1和图2，一种非合作无人机视觉探测及识别方法，包括如下步骤：
[0026]步骤1，采集非合作场景下的图像数据，根据风筝、飞鸟以及无人机三个类别共采集7638 张图像，并进行标注；
[0027]步骤2，将步骤1采集的图像数据使用瓶颈特征提取模块，提取出图像特征；
[0028]瓶颈特征提取模块如图3所示，具体操作方式如下：
[0029]在输入特征图和卷积层之间额外插入1
×
1卷积层达到输入特征降维的目的，从而降低了模型的计算时间，控制1
×
1卷积层中卷积核的个数可以动态调节输出特征图的通道数，可以达到降维的作用，瓶颈特征结构除了对输入特征图降维，还可以减少当前卷积层的参数量，假如输入特征图的宽高都为W
i
，通道数为C
i
，如果不引入1
×
1卷积层，3
×
3卷积层中卷积核宽高为3
×
3，个数为N
k
，这一层卷积层的参数总量为C
i
×
N
k
×3×
3；如果引入瓶颈特征结构，在输入特征图和3
×
3卷积层之间引入1
×
1卷积层，卷积个数为N
a
，瓶颈特征结构总参数量为 C
i
×
N
a
×1×
1+N
k
×
N
a
×3×
3，参数量的压缩比计算方式为：
...

【技术保护点】

【技术特征摘要】
1.一种非合作无人机视觉探测及识别方法，其特征在于，包括如下步骤：步骤1，采集非合作场景下的图像数据，并进行标注；步骤2，将步骤1采集的图像数据使用瓶颈特征提取模块，提取出图像特征；步骤3，将提取的图像特征采用特征融合网络进行特征融合；步骤4，基于特征融合结果，得出目标识别结果。2.根据权利要求1所述的一种非合作无人机视觉探测及识别方法，其特征在于，所述的瓶颈特征提取模块使用Darknet53为基础网络，Darknet53含有5个残差模块，每个残差模块的特征图与卷积层之间额外插入...

【专利技术属性】
技术研发人员：陈彦桥，柴兴华，张小龙，张泽勇，李晨阳，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：