一种半自动化无人机目标和关键点标注方法、系统及装置制造方法及图纸

本发明专利技术公开了一种半自动化无人机目标和关键点标注方法、系统及装置，所述方法首先利用自动或者半自动方法对无人机目标数据进行快速标注，之后将人工校验后的标注数据作为训练集，训练用于标注的神经网络模型，之后循环进行“利用训练集训练新检测模型、新模型对新数据进行自动标注”的步骤，得到最终满足要求的标注数据。本发明专利技术提出方法可程序化地实现在无人机视频图像中框选目标框、点选关键点等标注操作，仅需要少量人工校验工作，在保证标注准确率的同时，有效地提升数据标注效率，节省人力成本，弥补了现有技术中无人机目标检测和关键点检测用训练数据自动或半自动标注的空白，丰富了无人机目标关键点的标注信息。丰富了无人机目标关键点的标注信息。丰富了无人机目标关键点的标注信息。

【技术实现步骤摘要】
一种半自动化无人机目标和关键点标注方法、系统及装置


[0001]本专利技术属于无人机数据标注领域，尤其涉及一种半自动化无人机目标和关键点标注方法、系统及装置。

技术介绍

[0002]近年来，无人机技术的快速发展，为航拍、航测、农保、电力巡检等多个领域带来便利的同时，也引发了一系列“黑飞”事件，严重影响个人隐私、公共安全甚至国家安全。
[0003]无人机目标检测和无人机关键点检测是探测、发现和反制无人机的关键，其中无人机目标检测是指在图像中用矩形框确定无人机的位置和尺寸，可用于对无人机进行定位和跟踪；无人机关键点检测是指在图像中确定出无人机关键位置的坐标，可用于无人机的姿态估计、轨迹预测。
[0004]随着人工智能和计算机视觉的不断发展，深度学习已成为目前实现无人机目标检测和关键点检测的重要手段，进行深度学习模型的训练和优化需要大量的标注数据。现有的数据标注方式主要有两种，一种是通过人工进行标注，即由标注人员手工操作如Labelme、LabelStudio等标注工具逐样本进行标注，该方法成本高昂且效率低下；另一种方式为基于神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半自动化无人机目标和关键点标注方法，其特征在于，所述方法包括：S1：收集无人机视频图像数据；S2：对视频图像数据进行标注及人工校检，筛选出准确的标注结果，并形成训练数据集；S3：构建无人机目标和无人机关键点标注用的神经网络模型；S4：利用训练数据集对神经网络模型进行训练；S5：利用训练好的神经网络模型进行无人机目标和关键点的自动标注，并对标注结果进行人工校检，得到校检后的标注结果；S6：判断校检后标注结果的质量和数量是否同时满足要求，若满足要求，则结束标注，并将校检后的标注结果输出；若不满足要求则执行S7；S7：以S5中的校检后的标注结果作为最新的训练数据集，对神经网络模型进行再训练，并返回S5。2.根据权利要求1所述的半自动化无人机目标和关键点标注方法，其特征在于，所述S2中对视频图像数据进行标注的过程包括：S2
‑
1：进行无人机目标矩形框的标注，标出目标矩形框的左上角坐标(x,y)、矩形框的宽w和高h；S2
‑
2：对每个目标矩形框内无人机的类型进行类别标注；S2
‑
3：针对不同无人机类型，确定目标的关键点数量、关键点的位置坐标以及关键点可见性，并对上述关键点位置坐标和可见性进行标注，对于不可见的关键点需根据人类视觉经验推断其位置坐标；S2
‑
4：重复S2
‑
1～S2
‑
3，直至完成所有视频图像数据中无人机目标及关键点的标注。3.根据权利要求2所述的半自动化无人机目标和关键点标注方法，其特征在于，所述S2
‑
1中目标矩形框标注方法为以下任意一种：方法一：人工框选视频图像第一帧的目标矩形框，之后利用目标跟踪算法进行视频图像后续帧的目标矩形框标注；方法二：利用目标检测算法进行目标矩形框标注；方法三：利用目标跟踪检测与目标检测融合方法进行目标矩形框标注。4.根据权利要求3所述的半自动化无人机目标和关键点标注方法，其特征在于，所述方法三中，首先由目标检测算法标注视频图像第一帧的目标矩形框，接着由目标检测算法和目标跟踪算法综合标注视频图像后续帧的目标矩形框，最后利用NMS非极大值抑制对重叠度高的目标框进行过滤。5.根据权利要求2所述的半自动化无人机目标和关键...

【专利技术属性】
技术研发人员：彭邦付，郑华飞，郭有为，蒋鸿宇，胡茂海，伍警，陈文强，孙磊，葛战，
申请(专利权)人：中国工程物理研究院电子工程研究所，
类型：发明
国别省市：