一种基于无人机图像的人体解析网络训练方法、装置及介质，包括对多张无人机图像进行数据增强及图像预处理，得到训练图像集，利用编码器对训练图像进行特征提取，得到多张语义特征图和符合筛选要求的目标特征图，利用细节提取器对目标特征图进行边界监督得到边界二分类结果，利用改进后的空间金字塔池化模块和边界残差对语义特征图中的预设层数特征图进行多尺度池化，得到多个人体解析结果，基于多个人体解析结果对应的交叉熵损失函数和边界二分类结果对应的二分类损失函数求和得到的最终损失函数对人体解析网络进行网络训练，并进行优化和调整得到标准人体解析网络。标准人体解析网络能够在减少模型参数量的前提下，提高人体解析的解析准确度。高人体解析的解析准确度。高人体解析的解析准确度。
【技术实现步骤摘要】
一种基于无人机图像的人体解析网络训练方法、设备
[0001]本专利技术涉及人工智能
，具体涉及一种基于无人机图像的人体解析网络训练方法、设备及介质。
技术介绍
[0002]无人机在安全保护、疑似人员追踪或识别等方面有着广泛的应用。但是由于无人机的特殊性，所设计的算法必须具有实时性和高准确率。基于无人机的人体识别是指利用无人机图像对人体进行精细化解析，即将人体的头部、衣服、腿部等多个部位分割出来。其中，人体解析属于一种细粒度的分类任务。
[0003]基于无人机图像的人体解析难点在于无人机图像都是于空中拍摄或较远距离拍摄，因此人体在图像中仅仅占据了一小部分，属于小目标语义分割。传统基于机器学习算法的无人机图像人体解析精确度低，仅仅对人体进行粗略的分割。而现有基于深度学习的算法，虽然可以达到很高的准确率，但是由于大规模的参数量，使得基于无人机图像的人体识别不能达到很快的推理速度。
技术实现思路
[0004]本专利技术主要解决的技术问题是在减少模型参数量的前提下，能够提高无人机图像中人体解析网络的解析准确度。
[0005]根据第一方面，一种实施例中提供一种基于无人机图像的人体解析网络训练方法，包括：
[0006]获取多张无人机图像，对所述多张无人机图像进行数据增强处理，并对数据增强后的图像进行图像预处理，得到训练图像集；
[0007]对所述训练图像集中的训练图像进行边界残差计算，得到边界残差；
[0008]利用预设编码器对所述训练图像集中的训练图像进行特征提取，得到多张语义特征图，选取所述多张语义特征图中符合筛选要求的语义特征图作为目标特征图；
[0009]利用预设细节提取器对所述目标特征图进行边界监督处理，得到边界二分类结果；
[0010]利用改进后的空间金字塔池化模块和所述边界残差对所述多张语义特征图中的预设层数特征图进行多尺度池化，得到多个人体解析结果；
[0011]基于所述多个人体解析结果构建对应的交叉熵损失函数，并根据所述边界二分类结果构建对应的二分类损失函数，以所述交叉熵损失函数和所述二分类损失函数进行求和得到的最终损失函数对人体解析网络进行网络训练，并对训练后的人体解析网络进行优化和调整，得到标准人体解析网络，所述人体解析网络由预设编码器、改进后的空间金字塔池化、预设细节提取器构建生成。
[0012]一实施例中，所述对所述训练图像集中的训练图像进行边界残差计算，得到边界残差，包括：
[0013]对所述训练图像集中的训练图像进行下采样处理，得到下采样图像集；
[0014]选取所述下采样图像集中符合预设层数的图像作为本层图像，选择与本层图像具有预设间隔的图像作为下层图像；
[0015]对所述下层图像进行上采样处理，得到上采样图像，计算所述本层图像和所述上采样图像之间的差值，得到边界残差。
[0016]一实施例中，所述利用改进后的空间金字塔池化模块和所述边界残差对所述多张语义特征图中的预设层数特征图进行多尺度池化，得到多个人体解析结果，包括：
[0017]将预设层数特征图输入至所述改进后的空间金字塔池化模块中进行特征卷积处理，得到多个池化特征；
[0018]对所述多个池化特征进行特征拼接处理，得到拼接特征，利用卷积层对所述拼接特征进行降维处理，得到降维后的拼接特征；
[0019]利用预设特征精炼模块对所述降维后的拼接特征进行特征选择处理，得到最终输出特征；
[0020]根据所述最终输出特征和所述边界残差进行人体解析处理，得到多个人体解析结果。
[0021]一实施例中，所述将预设层数特征图输入至所述改进后的空间金字塔池化模块中进行特征卷积处理，得到多个池化特征，包括：
[0022]对所述预设层数特征图进行卷积处理，得到改进后的空间金字塔池化模块的第一层池化特征；
[0023]分别利用不同空洞率的空洞卷积层对所述预设层数特征图进行空洞卷积处理，得到多个空洞池化特征；
[0024]将所述第一层池化特征和所述多个空洞池化特征进行汇总，得到多个池化特征。
[0025]一实施例中，所述利用预设特征精炼模块对所述降维后的拼接特征进行特征选择处理，得到最终输出特征，包括：
[0026]利用全局平均池化层对所述降维后的拼接特征进行平均池化处理，得到通道权重特征；
[0027]将所述通道权重特征进行卷积处理、归一化处理和激活处理，得到最终权重特征；
[0028]将所述通道权重特征和所述最终权重特征进行相乘处理，得到最终输出特征。
[0029]一实施例中，所述根据所述最终输出特征和所述边界残差进行人体解析处理，得到多个人体解析结果，包括：
[0030]将所述最终输出特征输入至多层卷积层中进行卷积处理，得到第一解析结果；
[0031]分别对所述最终输出特征和所述第一解析结果进行上采样处理，得到第一上采样特征和第一上采样结果，对所述第一上采样特征、所述第一上采样结果和所述边界残差进行特征拼接处理，得到初始拼接特征，将所述初始拼接特征进行卷积处理和特征精炼处理后，得到第二解析结果；
[0032]对所述第二解析结果和所述边界残差重新执行上采样处理、特征拼接处理、卷积处理和特征精炼处理，直到得到第三解析结果和第四解析结果；
[0033]将所述第一解析结果、所述第二解析结果、所述第三解析结果和所述第四解析结果进行汇总，得到多个人体解析结果。
[0034]一实施例中，所述对所述多张无人机图像进行数据增强处理，包括：
[0035]所述数据增强处理有图像平移、图像翻转、随机明亮度变换和中值过滤
[0036]根据第二方面，一种实施例中提供一种基于无人机图像的人体识别方法，包括：
[0037]获取待解析人体图像；
[0038]将所述待解析人体图像输入至一标准人体解析网络中进行人体解析处理，得到人体解析结果；其中，所述标准人体解析网络通过如权利要求1至7中任一项所述的方法被训练而得到。
[0039]根据第三方面，本专利技术实施例提供一种设备，包括：
[0040]存储器，用于存储程序；
[0041]处理器，用于通过执行所述存储器存储的程序以实现如上任一项所述的基于巡逻机器人的目标检测方法。
[0042]依据上述实施例的基于无人机图像的人体识别方法、装置及介质，包括根据预设编码器、改进后的空间金字塔池化模块和预设细节提取器构建生成一个人体解析网络，并对人体解析网络进行训练、优化和调整，得到标准人体解析网络。其中，改进后的空间金字塔池化模块可以使得标准人体解析网络能够提取不同尺度的特征，从而提高对小目标的识别能力。预设细节提取器可以对图像进行边界监督处理，增加标准人体解析网络对于边界识别的精度，同时在人体解析网络的训练过程中结合了进行边界残差计算得到的边界残差，利用边界残差可以解决标准人体解析网络对于人体解析中的边界分割问题。因此，训练后得到的标准人体解析网络可以提高在无人机图像中的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于无人机图像的人体解析网络训练方法,其特征在于，包括：获取多张无人机图像，对所述多张无人机图像进行数据增强处理，并对数据增强后的图像进行图像预处理，得到训练图像集；对所述训练图像集中的训练图像进行边界残差计算，得到边界残差；利用预设编码器对所述训练图像集中的训练图像进行特征提取，得到多张语义特征图，选取所述多张语义特征图中符合筛选要求的语义特征图作为目标特征图；利用预设细节提取器对所述目标特征图进行边界监督处理，得到边界二分类结果；利用改进后的空间金字塔池化模块和所述边界残差对所述多张语义特征图中的预设层数特征图进行多尺度池化，得到多个人体解析结果；基于所述多个人体解析结果构建对应的交叉熵损失函数，并根据所述边界二分类结果构建对应的二分类损失函数，以所述交叉熵损失函数和所述二分类损失函数进行求和得到的最终损失函数对人体解析网络进行网络训练，并对训练后的人体解析网络进行优化和调整，得到标准人体解析网络，所述人体解析网络由预设编码器、改进后的空间金字塔池化、预设细节提取器构建生成。2.如权利要求1所述的方法，其特征在于，所述对所述训练图像集中的训练图像进行边界残差计算，得到边界残差，包括：对所述训练图像集中的训练图像进行下采样处理，得到下采样图像集；选取所述下采样图像集中符合预设层数的图像作为本层图像，选择与本层图像具有预设间隔的图像作为下层图像；对所述下层图像进行上采样处理，得到上采样图像，计算所述本层图像和所述上采样图像之间的差值，得到边界残差。3.如权利要求1所述的方法，其特征在于，所述利用改进后的空间金字塔池化模块和所述边界残差对所述多张语义特征图中的预设层数特征图进行多尺度池化，得到多个人体解析结果，包括：将预设层数特征图输入至所述改进后的空间金字塔池化模块中进行特征卷积处理，得到多个池化特征；对所述多个池化特征进行特征拼接处理，得到拼接特征，利用卷积层对所述拼接特征进行降维处理，得到降维后的拼接特征；利用预设特征精炼模块对所述降维后的拼接特征进行特征选择处理，得到最终输出特征；根据所述最终输出特征和所述边界残差进行人体解析处理，得到多个人体解析结果。4.如权利要求3所述的方法，其特征在于，所述将预设层数特征图输入至所述改进后的空间金字塔池化模块中进行特征卷积处理，得到多个池化特征，包括：对所述预设层数特征图进行卷积处理，得到改进...
【专利技术属性】
技术研发人员：孙凯，贺振中，徐亮，
申请(专利权)人：深圳市华赛睿飞智能科技有限公司，
类型：发明
国别省市：
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。