基于轻量级的航拍车辆目标检测方法、系统及存储介质技术方案

本发明专利技术公开了一种基于轻量级的航拍车辆目标检测方法、系统及存储介质，涉及目标检测算法领域。步骤为：获取航拍图像；利用轻量级主干特征提取网络对航拍图像中的目标进行特征提取，得到第一特征；将第一特征输入到上下文信息特征提取网络中，得到上下文和背景信息；将第一特征输入到残差注意力网络中，获取目标的显著特征；将上下文和背景信息、显著特征进行融合，得到第二特征；采用目标检测算法对第二特征进行目标检测。通过轻量级的主干网络对小目标进行特征提取，上下文信息特征提取模块获取目标周围的背景和上下文信息，残差注意力网络对目标的显著性和高价值的特征信息进行提取，所以本发明专利技术方法在检测精度和检测速度上均具有明显的优势。均具有明显的优势。均具有明显的优势。

【技术实现步骤摘要】
基于轻量级的航拍车辆目标检测方法、系统及存储介质


[0001]本专利技术涉及目标检测算法
，更具体的说是涉及一种基于轻量级的航拍车辆目标检测方法、系统及存储介质。

技术介绍

[0002]航拍场景下的车辆目标检测在军事和民用领域中有着广泛的应用前景。最近，基于深度模型的目标检测算法在航拍车辆检测中表现出了优越的性能。然而，这些检测算法往往伴随着大量的计算和资源消耗，从而无法有效地进行实时的检测。另外，复杂的背景信息及目标的特征不明显也导致了检测的精度较低。为了降低深度神经网络模型的计算量，一些学者开发出了一系列的轻量级的深度卷积深度网络模型，这些轻量级的深度神经网络模型通过降低卷积的运算量和提升实际的执行速度在不降低模型的精度的同时提升了模型的运行效率。轻量级的深度模型在常规的图像分类和检测任务中取得了良好的效果，但是在面对复杂的航拍背景信息和微弱的车辆小目标时其检测的精度还不够高。因此，对本领域技术人员来说，如何在降低模型计算量的同时保障检测精度是亟待解决的问题。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种基于轻量级的航拍车辆目标检测方法、系统及存储介质，以解决
技术介绍
中存在的问题。
[0004]为了实现上述目的，本专利技术采用如下技术方案：一种基于轻量级的航拍车辆目标检测方法，具体步骤包括如下：
[0005]获取航拍图像；
[0006]利用轻量级主干特征提取网络对所述航拍图像中的目标进行特征提取，得到第一特征；
[0007]将所述第一特征输入到上下文信息特征提取网络中，得到上下文和背景信息；
[0008]将所述第一特征输入到残差注意力网络中，获取目标的显著特征；
[0009]将所述上下文和背景信息、所述显著特征进行融合，得到第二特征；
[0010]采用基于Anchor
‑
free的目标检测算法对所述第二特征进行目标检测。
[0011]可选的，在所述轻量级主干特征提取网络中，采用5个Stage对目标的特征进行提取，在每个Stage中特征的提取均采用通道堆栈的方式。
[0012]通过采用上述技术方案，具有以下有益的技术效果：传统的特征提取主干网络在进行特征提取时，特征通道的增加方式较为粗鲁，例如特征通道往往直接从32到64再到128等。这种特征通道的增加方式使得特征通道的数量成倍的增加，因此使得特征提取的过程不够精细化并造成了大量小目标信息的丢失，本专利技术主干网络的设计，可以有效的逐步的获取到更加完整和显著的特征。
[0013]可选的，在所述残差注意力网络中，进行了三次下采样和三次上采样运算，并在不同的尺度上对所述第一特征进行融合和提取。
[0014]通过采用上述技术方案，具有以下有益的技术效果：在深度模型中引入注意力机制可以使网络忽略掉那些不重要的信息，从而更加关注图像中的重要信息。
[0015]可选的，所述上采样运算采用双线性差值算法。
[0016]可选的，在Stage 1中分为Stage 1
‑
1和Stage 1
‑
2，Stage 1
‑
1特征块的大小为H/2
×
W/2
×
16，Stage 1
‑
2的大小为H/2
×
W/2
×
32，每次特征在传播的过程中仅增加数量为16的特征通道数。
[0017]另一方面，提供一种基于轻量级的航拍车辆目标检测系统，包括数据获取模块、主干网络提取模块、上下文特征信息提取模块、显著特征提取模块、融合模块、目标检测模块；
[0018]所述数据获取模块，用于获取航拍图像；
[0019]所述主干网络提取模块，用于利用轻量级主干特征提取网络对所述航拍图像中的目标进行特征提取，得到第一特征；
[0020]所述上下文特征信息提取模块，用于将所述第一特征输入到上下文信息特征提取网络中，得到上下文和背景信息；
[0021]所述显著特征提取模块，用于将所述第一特征输入到残差注意力网络中，获取目标的显著特征；
[0022]所述融合模块，用于将所述上下文和背景信息、所述显著特征进行融合，得到第二特征；
[0023]所述目标检测模块，用于采用基于Anchor
‑
free的目标检测算法对所述第二特征进行目标检测。
[0024]最后，提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于轻量级的航拍车辆目标检测方法的步骤。
[0025]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于轻量级的航拍车辆目标检测方法、系统及存储介质，具有以下有益的技术效果：
[0026](1)建立了One
‑
Stage轻量级的航拍车辆目标检测模型，该模型中的主干网络采用通道堆栈的方式进而能够逐步获取到小目标的特征信息，并能够通过中心点的预测和边界框的回归直接预测目标的类别和位置；
[0027](2)上下文信息模块和多尺度融合的残差注意力模块的引入可以有效的提取航拍图像中更加价值的信息，并同时充分的利用目标的周围信息来提升检测的精度和效率；
[0028](3)轻量级的目标特征提取主干网络通过通道堆栈的方式逐步对图像中的目标进行特征的提取，不仅提升神经网络对小目标特征提取的能力而且降低了模型的计算量。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0030]图1为本专利技术的方法流程图；
[0031]图2为本专利技术的航拍车辆目标检测算法的整体架构图；
[0032]图3为本专利技术的Stage 1内部特征提取方式图；
[0033]图4为本专利技术的上下文信息特征提取网络图；
[0034]图5为本专利技术的多尺度融合的残差注意力网络图。
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]本专利技术实施例1公开了一种基于轻量级的航拍车辆目标检测方法，如图1所示，具体步骤包括如下：
[0037]S1、获取航拍图像；
[0038]S2、利用轻量级主干特征提取网络对航拍图像中的目标进行特征提取，得到第一特征；
[0039]S3、将第一特征输入到上下文信息特征提取网络中，得到上下文和背景信息；
[0040]S4、将第一特征输入到残差注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级的航拍车辆目标检测方法，其特征在于，具体步骤包括如下：获取航拍图像；利用轻量级主干特征提取网络对所述航拍图像中的目标进行特征提取，得到第一特征；将所述第一特征输入到上下文信息特征提取网络中，得到上下文和背景信息；将所述第一特征输入到残差注意力网络中，获取目标的显著特征；将所述上下文和背景信息、所述显著特征进行融合，得到第二特征；采用基于Anchor
‑
free的目标检测算法对所述第二特征进行目标检测。2.根据权利要求1所述的一种基于轻量级的航拍车辆目标检测方法，其特征在于，在所述轻量级主干特征提取网络中，采用5个Stage对目标的特征进行提取，在每个Stage中特征的提取均采用通道堆栈的方式。3.根据权利要求1所述的一种基于轻量级的航拍车辆目标检测方法，其特征在于，在所述残差注意力网络中，进行了三次下采样和三次上采样运算，并在不同的尺度上对所述第一特征进行融合和提取。4.根据权利要求3所述的一种基于轻量级的航拍车辆目标检测方法，其特征在于，所述上采样运算采用双线性差值算法。5.根据权利要求2所述的一种基于轻量级的航拍车辆目标检测方法，其特征在于，在Stage 1中分为Stage 1
‑
1和Stage 1
‑
2，Stage 1
‑
1特征...

【专利技术属性】
技术研发人员：沈家全，张永新，李德光，张斌斌，郭晨睿，陈梦垚，汪璐瑶，徐庚辰，杨佳曦，
申请(专利权)人：洛阳师范学院，
类型：发明
国别省市：