【技术实现步骤摘要】
一种无人机备降和迫降区域的实时分割方法
[0001]本专利技术涉及计算机视觉中语义分割
,特别涉及一种无人机备降和迫降区域的实时分割方法。
技术介绍
[0002]无人机航拍图像语义分割是在无人机航拍图像的技术上运用语义分割技术使无人机获得场景目标智能感知能力。针对无人机航拍图像语义分割,面向的对象是非常复杂的航拍场景图,该类图中具有汽车、建筑物、树木、河流等多样目标,尤其是像汽车这类小目标较难分割,且相同目标具有大小不一的特性,这些因素都给图像语义分割精准性带来了很大的挑战。由于传统图像分割方法对非结构化、多目标的图像的分割效果较差,因此利用卷积神经网络对图像进行语义分割是一个热点。一方面,利用卷积神经网络相对传统算法来说具有较高的精准性,但是由于模型在训练过程中的下采样操作,使得灰度原像素时缺乏空间信息;另一方面,深度学习技术对设备的要求较高,模型复杂度也较高,所以提高语义分割精准性成为语义分割的一大技术难点。
[0003]公开号为CN111913492A,名称为《无人机安全降落方法和装置》的专利文献公开了,获取当前位置图像,并将当前位置图像划分为若干个区域;根据深度卷积神经网络模型,识别若干个区域中的安全区域,并将计算得到的安全区域对应的置信度进行排序;控制无人机飞行到安全区域中置信度最高的区域上空,进而,计算无人机在置信度最高的区域中的投影平面,并控制无人机降落至该投影平面。
[0004]上述专利文献对于无人机降落区域识别的方法主要是通过深度卷积神经模型进行训练,运用目标识别的方法识别出场 ...
【技术保护点】
【技术特征摘要】
1.一种无人机备降和迫降区域的实时分割方法,其特征在于:包括以下步骤:步骤1,收集无人机的历史航拍图像数据,并对历史航拍图像数据进行筛选和逐像素点标注,构成航拍数据集;步骤2,将航拍数据集输入实时语义分割网络模型,首先经过主干网络获取多个全局特征图,然后多个全局特征图经过空洞卷积池化金字塔模块进行特征融合后,实时语义分割网络模型输出预测图;步骤3,所述全局特征图经过空洞卷积池化金字塔模块进行特征融合后得到的融合特征图,再经过高斯拉普拉斯卷积计算,得到融合特征图的边缘信息;对主干网络获取的任一全局特征图进行细节指导计算,并结合融合特征图的边缘信息计算得到细节损失,通过细节损失对实时语义分割网络模型进行优化。2.根据权利要求1所述的一种无人机备降和迫降区域的实时分割方法,其特征在于:所述实时语义分割网络模型的主干网络包括依次连接的第一全卷积模块、第二全卷积模块、第一特征注意力权重模块、第二特征注意力权重模块、第三特征注意力权重模块;尺度为224*224*3的航拍数据集输入第一全卷积模块,经第一全卷积模块处理后向第二全卷积模块输出尺度为112*112*32的第一特征图;经第二全卷积模块处理后向第一特征注意力权重模块输出尺度为56*56*64的第二特征图;经第一特征注意力权重模块处理后向第二特征注意力权重模块输出尺度为28*28*256的第一全局特征图;经第二特征注意力权重模块处理后向第三特征注意力权重模块输出尺度为14*14*512的第二全局特征图;经第三特征注意力权重模块处理后向全局池化层输出尺度为7*7*1024的第三全局特征图;主干网络的第一特征注意力权重模块、第二特征注意力权重模块、第三特征注意力权重模块分别向空洞卷积池化金字塔模块输出第一全局特征图、第二全局特征图、第三全局特征图。3.根据权利要求2所述的一种无人机备降和迫降区域的实时分割方法,其特征在于:所述第一全卷积模块、第二全卷积模块均包括依次连接的卷积层、归一化层、激活层。4.根据权利要求2所述的一种无人机备降和迫降区域的实时分割方法,其特征在于:所述第一特征注意力权重模块、第二特征注意力权重模块、第三特征注意力权重模块均包括依次连接的第一注意力卷积层、第二注意力卷积层、第三注意力卷积层、第四注意力卷积层、ADD层;其中,第一注意力卷积层的卷积核大小为1*1,第二注意力卷积层的卷积核大小为3*3,第三注意力卷积层的卷积核大小为5*5,第四注意力卷积层的卷积核大小为7*7;输入第一注意力卷积层的为低层特征图F
low
,低层特征图F
low
经过第一注意力卷积层,得到第一全局特征子图F1及其权重a1;第一全局特征子图F1经过第二注意力卷积层,得到第二全局特征子图F2及其权重a2;第二全局特征子图F2经过第三注意力卷积层,得到第三全局特征子图F3及其权重a3;第三全局特征子图F3经过第四注意力卷积层,得到第四全局特征子图F4及其权重a4;低层特征图F
low
、第一全局特征子图F1、第二全局特征子图F2、第三全局特征子图F3、四全局特...
【专利技术属性】
技术研发人员:张军,陈忠辉,李宇雄,朱纯午,章磊,谭锦涛,李诚龙,江波,黄龙杨,屈若锟,
申请(专利权)人:中国民用航空飞行学院,
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。