【技术实现步骤摘要】
基于无人机航拍图像的车辆检测网络建立方法及其应用
[0001]本专利技术属于车辆检测领域,更具体地,涉及一种基于无人机航拍图像的车辆检测网络建立方法及其应用。
技术介绍
[0002]无人机航拍图像的车辆特征提取和检测是一个重要的分支,也是一个难点。无人机航拍图像车辆检测是指通过无人机航拍获取RGB图像,对车辆在图像中的位置和类别进行预测。相比于传统固定摄像机拍摄的交通图像,无人机航拍图像的监控视角更广、拍摄高度不一,相应地会带来图像的背景复杂多样、车辆尺度变化较大以及车辆类别分布不均等问题,如何快速正确地检测出图像中的车辆成为一个富有挑战性的课题。
[0003]车辆检测的本质是提取有鉴别性的特征,完成车辆分类和回归任务。相较于传统的目标检测方法,基于深度学习的方法在特征提取和分类回归上有着明显的优势,所以现有的无人机航拍图像车辆检测方法大多是在通用检测算法的基础上进行改进。
[0004]目标检测的分类任务要求提取到的特征包含更多的高级信息,回归任务要求特征包含更多的位置、细节信息,但这两种要求在同一个特征图上很难同时兼得。特征提取网络中,浅层的特征分辨率更高,含有丰富的位置、细节信息,更适用于小目标的检测;但是其语义信息较低,含噪声较多,不适合用于目标分类任务,可能会造成大量的虚检。而深层特征更抽象,具有更强的语义信息,更适用于目标分类任务;但由于其感受野更大,特征分辨率更低,导致对细节的感知能力较差,并不适用于小目标的定位。所以,对深浅层特征进行融合,构建特征金字塔,各取所长,能够有效地增强浅层特征 ...
【技术保护点】
【技术特征摘要】
1.一种基于无人机航拍图像的车辆检测网络建立方法,其特征在于,包括:建立待训练的车辆检测网络,并利用航拍数据集训练对其进行训练;所述航拍数据集中的训练样本为已标注车辆位置及类别的航拍图像;所述车辆检测网络为深度学习神经网络,其以图像为输入,用于预测输入的图像中车辆的位置和类别,并输出预测置信度;训练过程中,计算损失的损失函数为:L
total
=L
loc
+L
cls
+L
disc
;L
loc
为回归损失,用于表示车辆位置预测值与真实值之间的差异;L
cls
为分类损失,用于表示车辆类别预测值与真实值之间的差异;L
disc
为类间可鉴别损失,用于表示训练样本在特征空间中的分布情况,且同类训练样本的特征分布越聚集、不同类训练样本的特征分布越分散,所述类间可鉴别损失L
disc
越小;训练结束后,完成所述车辆检测网络的建立。2.如权利要求1所述的基于无人机航拍图像的车辆检测网络建立方法,其特征在于,L
disc
=L
var
+L
dist
;其中,L
var
为方差项,用于表示同类训练样本的特征聚集程度,且同类训练样本的特征聚集程度越高,所述方差项L
var
的取值越小;L
dist
为距离项,用于表示不同类训练样本的特征分散程度,且不同类训练样本的特征分散程度越高,所述距离项L
dist
的取值越小。3.如权利要求2所述的基于无人机航拍图像的车辆检测网络建立方法,其特征在于,其中,C表示所述航拍数据集中车辆类别的总数,N
c
表示所述航拍数据集中第c个类别对应的训练样本总数,μ
c
表示第c个类别对应的航拍图像的特征向量均值,x
i
表示第i张航拍图像的特征向量;δ
v
为预设的阈值,δ
v
>0;[x]
+
=max(0,x)。4.如权利要求2所述的基于无人机航拍图像的车辆检测网络建立方法,其特征在于,其中,C表示所述航拍数据集中车辆类别的总数;c
A
和c
B
表示两个不同的车辆类别,和分别表示这两个类别对应的航拍图像的特征向量均值;δ
d
为预设的阈值,δ
d
>0;[x]
+
=max(0,x)。5.如权利要求...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。