一种基于边缘计算的低小慢目标检测方法及跟踪系统技术方案

本发明专利技术属于低小慢目标检测领域，具体涉及一种基于边缘计算的低小慢目标检测方法及跟踪系统，该方法包括采集不同曝光度下不同目标的图像集，对图像集进行处理得到低小慢目标数据集；构建基于YOLOv5的轻量化检测网络，采用公开数据集进行训练，低小慢目标数据集进行测试；采用训练测试完成后的轻量化检测网络进行实时低小慢目标检测；本发明专利技术减少人工收集数据与处理数据的人力与时间成本，有利于获取更全面，更高质量的数据。更高质量的数据。更高质量的数据。

【技术实现步骤摘要】
一种基于边缘计算的低小慢目标检测方法及跟踪系统


[0001]本专利技术属于低小慢目标检测领域，具体涉及一种基于边缘计算的低小慢目标检测方法及跟踪系统。

技术介绍

[0002]众多的检测目标中，低小慢航空目标由于体积小、操作简单、飞行高度低、地物遮挡多，空军和雷达设备无法覆盖，使得防空统压力剧增，严重威胁重大活动、重点区域的安全保障工作。而探测是拦截与打击的必要前提，因此针对无人机等低小慢目标的预警与识别是未来信息化条件下防空作战夺取战争主动权的重要保障。并且由于人工拍摄对于拍摄过程实时性和稳定性的影响，在边缘设备上布置低小慢检测智能系统用于对领空中陌生低小慢目标的自动检测就显得更具有重要意义。
[0003]近年来主流的目标检测算法，大多数是使用深层卷积神经网络和各种大规模数据集进行训练与检测。常见的检测模型分为以YOLO、SSD和R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN、Mask R
‑
CNN等为代表的一阶段或二阶段模型。二阶段检测算法模型训练是一个多阶段的过程，缓慢且难以优化，因为每个单独的阶段都必须分别进行训练。因为它们的存储和计算能力有限，所以对于实时检测的现实场景来说，二阶段目标检测算法难以应用。而一阶段目标检测无需先生成候选区域，再进行检测任务，而是在对目标物体分类的同时回归其边界框的坐标，仅使用少量的候选框就可以直接预测结果，虽然预测的准确率有所下降，但是大幅度提高了检测速度，而且在进行轻量化后可以顺利的部署到移动端和嵌入式设备中。对神经网络的压缩和加速，以及将这些轻量化后具有良好性能的网络模型布置到相关的智能小系统当中具有重大的学术和工程价值。
[0004]现有技术存在以下缺点：人工收集数据的成本较高，且存在着收集数据困难的问题；由于需要数据的远距离传输与人工识别低小慢目标类型和威胁等级，花费时间较多，存在较大的滞后性；目标检测算法的运算量过大，无法稳定的长时间进行高帧率的实时目标检测。

技术实现思路

[0005]为解决上述问题，本专利技术提出了一种基于边缘计算的低小慢目标检测方法及跟踪系统。
[0006]在第一方面，本专利技术提供了一种基于边缘计算的低小慢目标检测方法，包括：
[0007]S1.采集不同曝光度下不同目标的图像集，对图像集进行处理得到低小慢目标数据集；
[0008]处理过程为采用标注工具标注出图像集中的低小慢目标，对低小慢目标进行数据增强和模糊处理，得到低小慢数据集；
[0009]S2.构建基于YOLOv5的轻量化检测网络，采用公开数据集进行训练，通过低小慢目标数据集对训练后的轻量化检测网络进行测试调整；
[0010]S3.采用训练测试完成后的轻量化检测网络进行实时低小慢目标检测。
[0011]进一步的，检测网络基于YOLOv5网络结构进行修改，包括1个CBL模块、3个SFB1模块、3个SFB2模块、1个CBS模块、2个上采样模块、2个concat模块、6个DWB模块、3个conv模块和2个add模块。
[0012]进一步的，CBL模块包括依次级联的3
×
3卷积层、BN(Batch Normalization)层和leakyRelu激活函数层；
[0013]CBR模块包括依次级联的1
×
1卷积层、BN层和ReLu激活函数层；
[0014]DWB模块包括依次级联的3
×
3深度可分卷积层、BN层、1
×
1卷积层、BN层和ReLu激活函数层；
[0015]CBS模块包括依次级联的3
×
3卷积层、BN层和SiLU激活函数层；
[0016]SFB1模块包括第一分支和第二分支，第一分支设有CBR模块和DWB模块，第二分支设有DWB模块，第一分支与第二分支的输出通过concat层拼接，拼接结果通过Channel Shuffle层；
[0017]SFB2模块包括依次级联的slice层、CBR模块和DWB模块，DWB模块与slice层的输出通过concat层拼接，拼接结果通过Channel Shuffle层。
[0018]进一步，为实现检测网络的轻量化，SFB1模块第一分支的DWB模块只保留3
×
3深度可分卷积层和BN层，SFB2模块中的DWB模块只保留3
×
3深度可分卷积层和BN层。
[0019]进一步的，在训练过程中，添加L1正则来约束BN层的系数，直接选取每个BN层中的γ作为稀疏化裁剪的尺度因子，将其与BN通道的输入相乘。其中，L1正则约束表示为：
[0020][0021]公式等号右边的第一项是CNN的正常训练的loss函数，第二项是正则约束，(x，y)表示训练输入和目标，W表示可训练权重，g()是稀疏性引起的尺度因子惩罚，选择g(s)＝|s|实现参数的正则化。λ为正则系数，通过根据数据集进行改动，可以将参数稀疏化。
[0022]参数稀疏正则化后，随着γ值的更新，约束项会将γ拉向0。记稀疏化后的γ值为δ
i
，BN层的输出为Z
i
，根据BN层的训练过程将输入输出进行线性变换：
[0023]Z
i
＝δ
i
*x
i
′
+β
i
[0024]其中，x
i
′
为归一化后的输入，β
i
为BN层的偏置。
[0025]在第二方面，基于第一方面，本专利技术提供了一种基于边缘计算的低小慢目标跟踪系统，包括摄像头、云台、Jetson Xavier NX边缘计算平台和DSP+FPGA的嵌入式计算平台，云台安装在摄像头底部，摄像头使用USB接口与Jetson Xavier NX边缘计算平台进行连接，Jetson Xavier NX边缘计算平台与DSP+FPGA的嵌入式计算平台通过网线传输数据，Jetson Xavier NX边缘计算平台内设有强量化检测网络，该轻量化检测网络已于PC端上测试并调参，其中：
[0026]摄像头，用于采集图像并传入到Jetson Xavier NX边缘计算平台进行检测；
[0027]Jetson Xavier NX边缘计算平台，用于检测摄像头的采集图像中的低小慢目标，输出低小慢目标的锚框位置及图像模板，用于控制云台转动跟踪低小慢目标；
[0028]DSP+FPGA的嵌入式计算平台包括DSP模块和FPGA模块：
[0029]DSP模块内设有跟踪模块，负责处理跟踪算法以及与Jetson Xavier NX之间的通信；
[0030]FPGA模块，用于部署云台，用于实现设备的连接。
[0031]本专利技术的有益效果：
[0032]本专利技术提出的轻量化YOLOv5网络，相较于原始YOLOv5目标检测网络，在低小慢目标的检测任务上，能够实现复杂背景下、小目标物体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的低小慢目标检测方法，其特征在于，包括：S1.采集不同曝光度下不同目标的图像集，对图像集进行处理得到低小慢目标数据集；处理过程为采用标注工具标注出图像集中的低小慢目标，对低小慢目标进行数据增强和模糊处理，得到低小慢数据集；S2.构建基于YOLOv5的轻量化检测网络，采用公开数据集进行训练，通过低小慢目标数据集对训练后的轻量化检测网络进行测试调整；S3.采用训练测试完成后的轻量化检测网络进行实时低小慢目标检测。2.根据权利要求1所述的一种基于边缘计算的低小慢目标检测方法，其特征在于，轻量化检测网络基于YOLOv5网络结构进行优化，包括1个CBL模块、3个SFB1模块、3个SFB2模块、1个CBS模块、2个上采样模块、2个concat模块、6个DWB模块、3个conv模块和2个add模块。3.根据权利要求2所述的一种基于边缘计算的低小慢目标检测方法，其特征在于，CBL模块包括依次级联的3
×
3卷积层、BN层和leakyRelu激活函数层；CBR模块包括依次级联的1
×
1卷积层、BN层和ReLu激活函数层；DWB模块包括依次级联的3
×
3深度可分卷积层、BN层、1
×
1卷积层、BN层和ReLu激活函数层；CBS模块包括依次级联的3
×
3卷积层、BN层和SiLU激活函数层；SFB1模块包括第一分支和第二分支，第一分支设有CBR模块和DWB模块，第二分支设有DWB模块，第一分支与第二分支的输出通过concat层拼接，拼接结果通过Channel Shuffle层；SFB2模块包括依次级联的slice层、CBR模块和DWB模块，DWB模块与slice层的输出通过concat层拼接，拼接结果通过Channel Shuffle层。4.根据权利要求3所述的一种基于边缘计算的低小慢目标检测方法，其特征在于，为实现检测网络的轻量化，SFB1模块第一分支的DWB模块只保留3
×
...

【专利技术属性】
技术研发人员：刘益安，肖枭，胡绍刚，冉欢欢，
申请(专利权)人：电子科技大学重庆微电子产业技术研究院，
类型：发明
国别省市：