【技术实现步骤摘要】
本专利技术涉及深度学习及无人机智能检测领域，具体涉及基于crnet的无人机视频车辆检测方法及系统。
技术介绍
1、随着光学成像技术和计算机图像处理技术的发展，无人机获取的影像质量也在不断提高。我们提出的无人机视频车辆检测任务旨在促进对车辆的精细化检测，研究车辆在不同场景的行为。不仅可以为自动驾驶的决策层助力，还可以推动无人机智能交通和道路维护的应用。通过对无人机视频中的车辆进行检测，检测的结果可用于后续的目标追踪与车辆行为的研究。
2、相对于传统的道路监控，无人机高度机动、布点灵活，在事故处理、秩序管理、交通疏导、流量检测等方面具有巨大应用优势。特别是在一些监控盲区，无人机可以检测出更多的车辆，并且高空无人机的覆盖范围更广、更大，可以获取更多的实时信息。无人机具备高清摄像功能，能够在飞行过程中观察道路车辆状况，对路边违法停车、违章变道等违法行为能够进行有效治理和监管。在道路巡查过程中发现交通事故、拥堵等异常情况，利用无人机第一时间对现场车辆进行提示告警和疏导、分流、管理，及时高效完成交通指挥管理工作，保障路面畅通。无人机对复杂环境具有很强的适应能力，在风、雨、雾霾、雪以及低温和高原等恶劣环境仍可以飞行，高效的完成检测任务。
3、目标检测和车辆分类作为计算机视觉的主流任务，不仅在自然场景中得到了快速发展，而且随着遥感和无人机的投入越来越多，在航空领域也得到了更广泛的关注。在航空图像数据集中有向目标检测已成为了主流任务，这是由于有向标注框由于更能贴合目标，更能体现目标的位置信息。在无人机航拍、智能交通中，有向
4、现有的无人机视频检测模型主要有两种模式，第一种是针对基于视频的水平目标检测进行设计的，虽然可以利用视频信息提高目标的检测率，例如公布号为cn114067285a的现有专利技术专利申请文献《一种基于二值化的卷积神经网络车辆分类方法》，该现有方法包括：采集不同类型的车辆图像数据，对图像数据进行类别标注，然后分成训练集和测试集；构建卷积神经网络，并对其进行二值化，形成二值化的卷积神经网络；利用所述训练集对二值化的卷积神经网络进行训练；利用所述测试集测试训练后的二值化的的卷积神经网络，检测其性能，达到较优效果后将网络进行卷积层、bn层合并，并针对硬件移植做出优化调整，再移植到树莓派上，利用摄像头收集车辆图像数据进行实地测试。但是预测的水平框会包含背景信息的干扰并且不能很好地表示目标的运动状态；第二种模式是基于图像的有向目标检测任务来对视频的每一帧进行检测，通过有向检测来更好地贴合目标大小，例如公布号为cn116168353a的现有专利技术专利申请文献《一种基于深度学习的机场作业车辆精细识别方法》，该现有方法中，首先，采集机场车辆图像，并对其进行标注，获得机场车辆数据集；其次，对图像进行空间变换改变视角，并对图像加雾、加雨来扩充数据集；接着，将标注好的车辆数据集送入深度学习网络进行训练，直至深度学习网络收敛；最后，利用训练好的深度学习网络和权重文件来检测测试图像中的车辆目标，并输出分类结果。但是前述现有技术忽略了视频帧之间的时序信息与上下文信息。如果能结合两种模式的优点，即通过利用时序信息来预测物体的有向框表示，那么对运动模糊、遮挡以及天气干扰的挑战下的有向目标识别会更有利。
5、随着无人机的广泛应用，越来越多的学者投入到无人机检测识别领域。现有的航空有向目标识别任务主要以航空图像研究为主，设计了很多单阶段与两阶段方法。然而在应用到无人机视频领域时，对天气干扰、运动模糊以及随机遮挡的情况却很少考虑，因此需要一种利用无人机视频中的时序信息与上下文信息构建目标的运动状态并且识别能力更加优越的模型来适应无人机视频的特点。
6、由于无人机视野下的目标类别杂乱，并且类别之间的的相似度也很大，例如车辆就可以划分为轿车、suv、mpv、客车、货车等，还可以按照具体型号进行再细分，这就使得常规的检测方法不能很好地识别出目标的类别信息。
7、综上，现有技术针对无人机视频车辆检测任务，存在难以排除运动模糊、随机遮挡以及密集分布的不利影响，以及对细粒度目标分类能力差的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术难以排除运动模糊、随机遮挡以及密集分布的不利影响，以及对细粒度目标分类能力差的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：基于crnet的无人机视频车辆检测方法包括：
3、s1、采集得到差异场景视频数据，据以构建无人机视频时序序列；
4、s2、对差异场景视频数据，进行类别标注操作，以得到车辆类别标注数据；
5、s3、基于类别精细化网络crnet，将无人机视频时序序列作为模型输入数据，设置模型骨干网络时序增强模块，据以构建车辆检测识别模型；
6、s4、求取box损失、角度损失，以求取回归损失及分类损失，据以处理得到整体损失，据以利用车辆检测识别模型，根据车辆类别标注数据处理得到车辆类别检测结果。
7、本专利技术设计了一个针对无人机视频车辆检测任务的类别精细化网络(crnet)，通过利用时间上下文信息来建模目标的运动轨迹，通过引入视频前后帧的特征来增强当前帧的特征，可以有效地改进目标的运动模糊。并且通过上下文信息也能提高密集分布场景下目标的检测率。
8、在更具体的技术方案中，步骤s3包括：
9、s31、将无人机视频时序序列，作为车辆检测识别模型的模型输入数据，其中，无人机视频时序序列包括：当前视频帧fi、参考帧fk；
10、s32、使用csl作为模型骨干网络backbone，以从当前视频帧fi、参考帧fk中，提取当前视频帧特征图、参考帧特征图；
11、s33、将当前视频帧特征图及参考帧特征图，送入至时序增强模块，以进行时序增强操作，得到增强特征；
12、s34、使用类别精细化策略处理增强特征，识别得到车辆目标的具体型号。
13、本专利技术将无人机视频序列作为模型的输入，fi为当前的视频帧，fk为参考帧。使用csl作为backbone来提取fi和fk的特征图，送入到时序增强模块(temporal enhancementmodule)用来增强当前帧的特征，以应对运动模糊与随机遮挡的影响，并且还有助于提高密集分布场景目标的检测率。
14、在更具体的技术方案中，步骤s33还包括：
15、s331、建模目标的运动状态，计算目标的自适应权重；
16、s332、根据自适应权重、当前视频帧特征图以及参考帧特征图，进行时序特征增强，得到增强特征。
17、在更具体的技术方案中，步骤s331还包括：
18、s3311、利用预置关系函数，计算当前本文档来自技高网...
【技术保护点】
1.基于CRNet的无人机视频车辆检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于CRNet的无人机视频车辆检测方法，其特征在于，所述步骤S3包括：
3.根据权利要求2所述的基于CRNet的无人机视频车辆检测方法，其特征在于，所述步骤S33还包括：
4.根据权利要求3所述的基于CRNet的无人机视频车辆检测方法，其特征在于，所述步骤S331还包括：
5.根据权利要求4所述的基于CRNet的无人机视频车辆检测方法，其特征在于，所述步骤S3311中，利用下述逻辑表达所述预置关系函数：
6.根据权利要求3所述的基于CRNet的无人机视频车辆检测方法，其特征在于，所述步骤S332还包括：
7.根据权利要求2所述的基于CRNet的无人机视频车辆检测方法，其特征在于，所述步骤S34包括：
8.根据权利要求1所述的基于CRNet的无人机视频车辆检测方法，其特征在于，所述步骤S4包括：
9.根据权利要求8所述的基于CRNet的无人机视频车辆检测方法，其特征在于，所述步骤S44中，利用
10.基于CRNet的无人机视频车辆检测系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.基于crnet的无人机视频车辆检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于crnet的无人机视频车辆检测方法，其特征在于，所述步骤s3包括：
3.根据权利要求2所述的基于crnet的无人机视频车辆检测方法，其特征在于，所述步骤s33还包括：
4.根据权利要求3所述的基于crnet的无人机视频车辆检测方法，其特征在于，所述步骤s331还包括：
5.根据权利要求4所述的基于crnet的无人机视频车辆检测方法，其特征在于，所述步骤s3311中，利用下述逻辑表达所述预置关系函数：
...【专利技术属性】
技术研发人员：肖云，王金发，赵生阳，赵志成，李成龙，汤进，
申请(专利权)人：安徽大学，
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。