一种基于yolov7的低空复杂场景下的无人机目标检测方法技术

本申请提供了一种基于yolov7的低空复杂场景下的无人机目标检测方法，包括：对获取的待检测图片进行预处理，得到目标图片，并将目标图片输入至无人机目标检测模型；提取目标图片的特征，得到包含上下文特征信息的目标图片的C3、C4、C5层特征图片；为C5层特征图片赋予注意力权重，将获得注意力权重的C5层特征图片串行输入至三个3x3大小的最大池化层，得到P5层特征图片；将P5层特征图片与C4、C3层特征图片进行浅层特征融合，得到P4、P3层特征图片；将P3层特征图片依次与P4、P5层特征图片进行深层特征融合，得到M4、M5层特征图片；对P3、M4、M5层特征图片进行无人机目标检测，得到无人机目标检测结果。使用该方法能够实现低空复杂场景下的无人机目标检测。

【技术实现步骤摘要】

本申请属于反无人机目标检测，尤其涉及一种基于yolov7的低空复杂场景下的无人机目标检测方法。

技术介绍

1、无人机(unmanned aerial vehicle，uav)技术的迅速普及和广泛应用使得无人机在众多领域发挥了关键作用，包括监测、物流、摄影和军事等。然而，无人机的广泛应用也带来了一系列新的挑战，尤其是无人机目标小和高机动性的特点，使其在低空城市环境中难以被及时发现，从而引发了人们对低空安全的担忧。于是，反无人机技术应运而生，它旨在检测、识别、跟踪和干预无人机的活动。这种技术可以有效地识别和监测潜在的无人机侵入，并采取必要的干预措施。

2、早期的无人机检测手段包括：雷达探测、光电探测系统、声波检测系统等，但是由于检测设备成本高和易受环境因素干扰等缺点，导致上述检测手段的检测性能不高。近些年，由于深度学习算法理论和技术具有高效性、低成本等优点，而被广泛应用于目标检测领域。基于深度学习的目标检测算法主要分为两类：两阶段算法(例如：faster r-cnn、maskr-cnn以及detr等)和一阶段算法(例如：ssd、、fsaf、fcos本文档来自技高网...

【技术保护点】

1.一种基于yolov7的低空复杂场景下的无人机目标检测方法，其特征在于，所述目标检测方法，包括：

2.如权利要求1所述的目标检测方法，其特征在于，所述基于所述主干特征提取网络，对所述目标图片进行特征提取，得到包含上下文特征信息的所述目标图片的C3、C4、C5层特征图片，包括：

3.如权利要求1所述的目标检测方法，其特征在于，所述为所述目标图片的C5层特征图片赋予注意力权重，包括：

4.如权利要求1所述的目标检测方法，其特征在于，所述基于所述特征融合网络的浅层融合网络，将所述P5层特征图片由上至下依次与C4、C3层特征信息进行浅层特征融合，得到所述目标...

【技术特征摘要】

1.一种基于yolov7的低空复杂场景下的无人机目标检测方法，其特征在于，所述目标检测方法，包括：

2.如权利要求1所述的目标检测方法，其特征在于，所述基于所述主干特征提取网络，对所述目标图片进行特征提取，得到包含上下文特征信息的所述目标图片的c3、c4、c5层特征图片，包括：

3.如权利要求1所述的目标检测方法，其特征在于，所述为所述目标图片的c5层特征图片赋予注意力权重，包括：

4.如权利要求1所述的目标检测方法，其特征在于，所述基于所述特征融合网络的浅层融合网络，将所述p5层特征图片由上至下依次与c4、c3层特征信息进行浅层特征融合，得到所述目标图片的p4、p3层特征图片，包括：

5.如权利要求1所述的目标检测方法，其特征在于，所述基于所述特征融合网络的深层融合网络，将所述p3层...

【专利技术属性】
技术研发人员：薄纯娟，魏云涛，施展，肖瑛，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：