【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉及一种面向机场实时场面运控跨域目标检测方法。
技术介绍
1、我国的航空运输总周转量、旅客周转量等均位于世界前列，中国民航开始向多领域民航强国跨越，全行业按照“安全底线牢、运行效率高、服务品质好”的民航高质量发展要求，不断推进智慧民航建设。场面精准运控智能化是加强场面运行安全、提升运行效率的核心。但是，在遇到恶劣天气或者光线不足的情况时，现有的机场场面设备会受到影响，导致对相关目标的检测能力下降。若能够通过已采集到的机场场面常见物体图像数据，在恶劣天气或光线不足的条件下对机场场面的目标进行实时检测，可有效预防因人为或设备因素导致的突发事件。跨域目标检测方法用于解决源域数据和目标域数据分布不一致情况下的目标检测问题，被广泛应用于恶劣天气、黑夜条件和跨设备的检测中。现有的跨域目标检测方法大多在深度学习的背景下完成，先将源域图像和目标域图像合成生成一个辅助域。然后，以faster r-cnn为基础检测器，输入源域图像和辅助域图像，并提取浅层图像级特征和网络深层的实例级特征。接着，在不同层级的特征上设计图像级域对齐模块和图像级域对齐模块来学习域不变性，最后设计领域分类器来减小域偏移，从而使得模型具有跨域目标检测的能力。
2、然而，现有的方法忽略了不同像素点之间的关联性，以及恶劣背景对检测性能的影响，而仅仅以整张图像为对象进行领域自适应无法有效地解决域偏移问题。当遇到黑夜、大雾、大雨、雾霾等复杂情况时，图像中的边缘目标和一些小目标在经过缩放、裁减等变化后变得难以检测，无法实现实时而精准的场面运控。另
技术实现思路
1、为了解决上述现有技术中存在的问题，本专利技术提供了一种面向机场实时场面运控跨域目标检测方法，拟解决现有跨域目标检测方法忽略了语义特征关联而导致的复杂场景下实时检测精度较低的技术问题。
2、本专利技术采用的技术方案如下：
3、一种面向机场实时场面运控跨域目标检测方法，包括以下步骤：
4、步骤1，采集机场场面图像数据并进行目标对象标注，得到原始数据集；
5、其中，采集的机场场面图像数据包括不同天气条件和不同光照条件；
6、步骤2，选取不同的迁移场景，确定每个迁移场景下的训练集；
7、将不同天气条件、不同光照条件按照既定的划分规则分为两类，分别定义为源域条件和目标域条件；再基于源域条件和目标域条件，将原始数据集划分为源域数据集和目标域数据集；
8、基于源域条件到目标域条件的条件迁移，选取不同的迁移场景，并基于每个迁移场景所对应的源域数据和目标域数据确定个迁移场景下的训练集；
9、步骤3，构建图像分簇模块，划分相似像素；
10、所述图像分簇模块用于统计训练集中每一张源域和目标域的图像统计学信息，并基于预置的聚类算法对图像进行像素点分簇，得到当前训练集的图像像素簇，包括类簇数k和每个类簇中心；
11、该步骤中，优选基于k-means算法进行聚类；而对于类簇数k的确定，优选gapstatistic算法确定k的值，以实现结合图像的像素信息对图像进行区域划分，将相似的像素信息划分为同一簇；
12、步骤4，构建前背景分离模块，用于对经图像分簇模块分簇后的训练集的图像按簇进行前景和背景分离，得到每个训练样本的前景图像和背景图像；
13、并将前景图像和背景图像分别送入目标检测器中，以提取不同层次的图像特征和获取目标检测识别结果；
14、所述目标检测器包括级联的浅层特征提取网络、深层特征提取网络和预测头，其中，浅层特征提取网络用于输出不同尺度的浅层特征，深层特征提取网络用于输出不同尺度的深层特征，预测头用于对深层特征提取网络输出的深层特征进行目标检测处理，输出目标检测结果，包括：目标框的物体类别、目标框的置信度和目标框的位置信息；
15、步骤5：构建浅层背景特征域对齐模块，其输入为目标检测器的浅层特征提取网络对背景图像所提取的多个尺度下的浅层背景特征，每个尺度的浅层背景特征包括k个簇类；浅层背景特征域对齐模块通过联合梯度反转层和领域分类器，实现图像级特征域对齐；
16、步骤6：构建深层前景特征域对齐模块，其输入为目标检测器的深层特征提取网络对前景图像所提取的不同尺度的深层前景特征，且每个尺度的深层前景特征包括k个簇类；每个尺度的深层前景特征组依次经卷积块注意力模块、梯度反转层和领域分类器得到每个尺度下的实例级特征域对齐；
17、步骤7：构建任务级评估模块，用于对目标检测器的预测头生成的每一类标签数据进行评估，使得目标检测器生成的标签具有最小的分布不确定性；
18、联合目标检测器的预测头的目标检测损失、浅层背景特征域对齐模块的领域分类器的浅层背景域分类损失、深层前景特征域对齐模块的领域分类器的深层前景域分类损失和任务级评估模块的评估损失对目标检测器、浅层背景特征域对齐模块、深层前景特征域对齐模块和任务级评估模块的参数进行训练优化，以使得目标检测器具有检测不同域图像目标的能力，实现跨域目标检测；
19、当满足预置的训练结束条件时，基于训练好的目标检测器得到用于机场场面图像的目标检测的跨域目标检测器。即对待检测的机场场面图像进行图像预处理，以使其与目标检测器的输入相匹配后，再将图像预处理后的图像输入至跨域目标检测器，基于预测头的输出获得待检测的机场场面图像的目标检测结果。
20、本专利技术首先采用基于k-means算法和gap statistic算法，结合图像的像素信息对图像进行区域划分，将相似的像素信息划分为同一簇。然后，将图像按簇进行伸缩、马赛克增强等变换，再输入前背景分离模块，将图像按簇进行前背景分离。接着，将图像的前景和背景分别输入到目标检测器中，以提取图像的浅层背景特征和深层前景特征。再分别将这些特征输入到设计的浅层背景特征域对齐模块和深层前景特征域对齐模块，以实现图像的分簇域对齐，从而解决域偏移问题。最后，通过最小化标签的不确定性分布，使分类器生成目标检测结果，有效地提高跨域目标检测性能。
21、进一步的，步骤2中，选取不同的迁移场景包括：包括晴朗→阴天、晴朗→雾天、晴朗→雨天、白天→黑夜。
22、进一步的，步骤3包括以下步骤：
23、步骤3.1：对训练集中的每张图像的图像尺寸进行归一化，例如统一为640×640的分辨率，然后置初始聚类数k＝2，再基于k-means算法对图像进行像素点分簇；
24、定义像素点的距离为：
25、
26、其中，x表示一张图像，p表示图像x的像素点，其下标为像素点的位置索引；
27、步骤3.2：在每次迭代的过程中，不断更新类簇中心，类簇中心的更新表达式定义为：
28、
29、其中，mk表示第k簇的类簇中心，本文档来自技高网...
【技术保护点】
1.一种面向实时场面运控的跨域目标检测方法，其特征在于，包括下列步骤：
2.如权利要求1所述的方法，其特征在于，步骤3包括以下步骤：
3.如权利要求3所述的方法，其特征在于，所述步骤4包括以下步骤：
4.如权利要求1所述的方法，其特征在于，目标检测器的预测头的目标检测损失为：
5.如权利要求1所述的方法，其特征在于，目标检测器的浅层特征提取网络依次包括：由第一卷积块和第三卷积块交替构成的第一堆叠结构，以及由ELAN模块和MP模块交替构成的第二堆叠结构，其中，第一堆叠结构的开始模块和结束模块分别为第一卷积块和第三卷积块；第二堆叠结构的开始和结束模块均为ELAN模块；本实施例中，第一堆叠结构包括两个第一卷积块和两个第二卷积块；第二堆叠结构包括四个ELAN模块和三个MP模块；
6.如权利要求5所述的方法，其特征在于，目标检测器的深层特征提取网络包括4个ELAN-H模块，4个拼接层，2个上采样层、2个MP模块和1个SPPCSPC模块；
7.如权利要求1所述的方法，其特征在于，所述步骤5包括以下步骤：
8.
9.如权利要求1所述的方法，其特征在于，步骤7中的任务级评估模块的评估损失设置为：
10.如权利要求1至9任一项所述的方法，其特征在于，步骤7中，联合目标检测器的预测头的目标检测损失、浅层背景特征域对齐模块的领域分类器的浅层背景域分类损失、深层前景特征域对齐模块的领域分类器的深层前景域分类损失和任务级评估模块的评估损失对目标检测器、浅层背景特征域对齐模块、深层前景特征域对齐模块和任务级评估模块的参数进行训练优化时的联合损失函数L为：
...【技术特征摘要】
1.一种面向实时场面运控的跨域目标检测方法，其特征在于，包括下列步骤：
2.如权利要求1所述的方法，其特征在于，步骤3包括以下步骤：
3.如权利要求3所述的方法，其特征在于，所述步骤4包括以下步骤：
4.如权利要求1所述的方法，其特征在于，目标检测器的预测头的目标检测损失为：
5.如权利要求1所述的方法，其特征在于，目标检测器的浅层特征提取网络依次包括：由第一卷积块和第三卷积块交替构成的第一堆叠结构，以及由elan模块和mp模块交替构成的第二堆叠结构，其中，第一堆叠结构的开始模块和结束模块分别为第一卷积块和第三卷积块；第二堆叠结构的开始和结束模块均为elan模块；本实施例中，第一堆叠结构包括两个第一卷积块和两个第二卷积块；第二堆叠结构包括四个elan模块和三个mp模块；
6.如权利要求5所...
【专利技术属性】
技术研发人员：程建，陈子翀，李晓辰，石俊豪，夏子瀛，
申请(专利权)人：电子科技大学，
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。