【技术实现步骤摘要】
本专利技术涉及目标检测，特别是涉及一种基于全局注意力机制的无人机环境感知移动目标检测方法。
技术介绍
1、随着控制技术和通信技术的发展，无人机凭借其灵活、便携和优秀的感知能力，可以完成更加复杂和关键的任务，基于无人机的目标检测与跟踪方法在物资配送和山地救援等领域有着广泛的应用。
2、移动目标检测是环境感知技术中至关重要的一个环节，它属于计算机视觉领域中目标检测的一个分支。与传统的静态图像目标检测不同，移动目标检测需要处理视频流中动态变化的目标，增加了时间维度的复杂性。移动目标检测模型的准确率、模型大小以及推理时间，将直接决定了无人机环境感知的质量和效率。
3、特别是对于无人机而言，如何准确高效地检测出无人机行进路径上的移动目标，对于完成救援任务具有极其重要的意义。然而，由于无人机终端设备有限的计算能力无法满足工程的实际应用，移动目标检测算法必须足够轻量化，才能部署在终端设备上，实现实时的无人机环境感知中移动目标检测和识别。
4、目前无人机环境感知中移动目标检测，用传统的两阶段深度学习目标检测方法，例如rcnn、sppnet，用这种方法检测的实时性不高，且模型不够轻量化很难直接部署到设备上，增加了后续对模型进行剪枝、蒸馏的人工成本。
5、一种基于注意力机制的无人机移动目标侦测方法，具体包括以下步骤：步骤一、输入实时视频流和图像；步骤二、反无人机系统中的目标检测算法基于注意力机制对目标检测区域进行无人机侦测；步骤三、所述基于注意力机制的目标检测算法侦测到无人机后，激活无人机跟踪算法，使
6、一种无人机航拍图像的目标检测方法、装置及无人机系统，具体包括以下步骤：步骤一、对无人机航拍图像进行若干次逐级密集连接特征提取，分别获得第一、第二、第三及第四层级特征图；步骤二、将第一、二、三和四层级特征图通过一渐进特征金字塔进行特定组合的特征融合，分别获得第一、第二、第三和第四层级融合特征图；步骤三、通过一聚类参数分别对第一、第二、第三和第四层级融合特征图进行生成目标初始框，并对其依次进行检测以及将检测结果置入无人机航拍图像中,获得无人机航拍图像中的小目标信息。
7、现有技术存在以下缺陷：
8、1.传统的两阶段目标检测算法(如rcnn、sppnet)实时性不足，难以满足无人机实时检测的需求，且模型过于庞大，不够轻量化，难以直接部署在无人机后端有限的硬件资源上。
9、2.现有技术没有充分考虑移动目标在时间维度上的关联性，忽视了当前帧和前一帧之间的时序相关信息，从而难以对目标运动轨迹进行有效建模。
10、3.现有技术对复杂背景的适应性不足，背景干扰会降低移动目标检测的准确度，泛化能力有待提高。
技术实现思路
1、本专利技术的目的是提出一种基于全局注意力机制的无人机环境感知移动目标检测方法，以解决上述现有技术存在的问题，本专利技术专注于基于全局注意力机制的无人机环境感知移动目标检测方法，通过在无人机环境感知目标检测主干网络中添加适用于时间序列分析的模型，使其可以充分利用时间信息，更好的学习视频流的每一帧中移动目标运动的信息。引入全局注意力机制，使模型可以更加关注到图片中的移动目标，减少复杂的背景对模型的影响，在提高移动目标检测精度的同时，不仅提高了移动目标检测的准确性和泛化能力，还能够有效地满足无人机在有限终端计算资源下的需求，为其提供了一种高效可靠的移动目标检测解决方案。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于全局注意力机制的无人机环境感知移动目标检测方法，包括：
4、基于无人机采集路况环境图像；
5、将所述路况环境图像输入检测模型，识别所述路况环境图像中的移动目标；所述检测模型基于预设的数据集训练获得，所述数据集包括不同环境场景下的移动目标，所述检测模型基于convgru-yolov7-ga模型构建。
6、可选地，其中所述移动目标包括：移动行人、车辆、骑行人员。
7、可选地，基于预设的数据集对预设的convgru-yolov7-ga模型进行训练前包括：
8、对预设的所述数据集进行数据预处理，包括图像缩放和图像增强。
9、可选地，所述convgru-yolov7-ga模型，基于yolov7子模型、convgru模块和全局注意力模块进行融合构建；
10、所述yolov7子模型，用于进行移动目标检测；
11、所述convgru模块，用于获取移动目标的空间模式和时间动态特征；
12、所述全局注意力模块，用于捕捉输入移动目标特征图序列中任意两个位置之间的依赖关系，通过计算每个位置与其他所有位置的关联度，捕捉到输入序列的全局结构。
13、可选地，所述yolov7子模型的主干网络采用cspdarknet53网络；所述cspdarknet53架构包括：darknet53子网络和csp子网络；
14、所述darknet53子网络包括：输入层，卷积层，残差块，池化层，输出层；
15、所述darknet53子网络的输入层，用于接收一个固定大小的移动目标图像输入；
16、所述darknet53子网络的卷积层，用于提取移动图像中的低级特征；
17、所述darknet53子网络的残差块，用于保持信息的传递；
18、所述darknet53子网络的池化层，用于降低特征图的维度；
19、所述darknet53子网络的输出层，用于输出移动目标识别结果；
20、所述csp子网络基于卷积层构建；
21、所述csp子网络中的卷积层与所述darknet53子网络的卷积层并联，用于将所述darknet53子网络中的卷积层输出的特征进行深度特征提取；
22、所述csp子网络的输入与darknet53子网络的池化层输出的特征进行特征求和后，作为所述darknet53子网络的输出层的输入。
23、可选地，所述yolov7子模型、convgru模块和全局注意力模块进行融合包括：
24、在cspdarknet53网络中嵌入convgru模块，构建convgru-yolov7子模型；
25、对所述convgru-yolov7模型添加全局注意力模块，构建所述convgru-yolov7-ga模型。
26、可选地，在所述cspdarknet53网络中第3卷积层和第4卷积层之间添加一个所述convgru模块；
27、在所述cspdarknet53网络的最后一个残差块后面添加所述全局注意力模块。
28、可选地，所述全局注意力模块的表达式为本文档来自技高网...
【技术保护点】
1.一种基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，其中所述移动目标包括：移动行人、车辆、骑行人员。
3.根据权利要求1所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，基于预设的数据集对预设的ConvGRU-YOLOv7-GA模型进行训练前包括：
4.根据权利要求1所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，所述ConvGRU-YOLOv7-GA模型，基于YOLOv7子模型、ConvGRU模块和全局注意力模块进行融合构建；
5.根据权利要求4所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，所述YOLOv7子模型的主干网络采用CSPDarknet53网络；所述CSPDarknet53架构包括：Darknet53子网络和CSP子网络；
6.根据权利要求5所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，所述YOLOv7子模
7.根据权利要求5所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，
8.根据权利要求4所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，所述全局注意力模块的表达式为：
9.根据权利要求1所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，基于预设的数据集对预设的ConvGRU-YOLOv7-GA模型进行训练包括：
...【技术特征摘要】
1.一种基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，其中所述移动目标包括：移动行人、车辆、骑行人员。
3.根据权利要求1所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，基于预设的数据集对预设的convgru-yolov7-ga模型进行训练前包括：
4.根据权利要求1所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，所述convgru-yolov7-ga模型，基于yolov7子模型、convgru模块和全局注意力模块进行融合构建；
5.根据权利要求4所述的基于全局注意力机制的无人机环境感知移动目标检测方法，其特征在于，所...
【专利技术属性】
技术研发人员：叶宝玉，李航，朱芳，
申请(专利权)人：广州民航职业技术学院，
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。