[發明專利]基于深度學習的無人機警察系統

在審

• 申請號: 201610894675.4
• 申請日: 2016-10-13
• 公開（公告）號: CN107038450A
• 公開（公告）日: 2017-08-11
• 發明（設計）人: 成孝剛;宋麗敏;李智;邵文澤;謝世朋;李海波
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 熊玉瑋

技術領域

本發明公開了基于深度學習的無人機警察系統，用于無人機飛行管理，涉及無人機和圖像識別的技術領域。

背景技術

目前關于無人機的研究多集中在無人機運動控制方面以及利用無人機航拍獲取圖像數據方面，真正研究無人機監管和識別的還比較少。無人機因其靈活可控的優勢被廣泛引用于拍攝圖像/采集視頻，同時，無人機因其靈活可控對其飛行區域內的人身安全和隱私造成了困擾，因此需要對無人機監督/識別提出可行方案。國外已有無人機配合警察執法的方案，但考慮到公民隱私等問題，沒有大量投入使用，且這些方案都局限于在軍事禁區這樣的特定區域內使用。

根據視覺傳感網(Visual Sensor Networks,VSNs)這一無線傳感網的應用特例構建無人機監管系統可能會遇到存在監控盲區等問題。在無人機識別算法方面，因為飛行物模式存在多樣性，許多傳統的優秀特征(諸如：Haar，HOG，CSS，LBP)無法適用于無人機識別領域。深度學習算法通過其深度網絡結構能夠學習到物體的高層特征，同時，深度學習算法具有較好的可擴展性且訓練速度存在較大的提升空間，因此，深度學習算法為實現無人機識別提供了一種可行思路。在此背景下，本發明旨在提出一種可行的無人機監督/識別方案。

發明內容

本發明的發明目的是針對上述背景技術的不足，提供了基于深度學習的無人機警察系統，實現了無人機的監管和識別，解決了暫無有效可行的無人機監管識別方案的技術問題。

本發明為實現上述發明目的采用如下技術方案：

基于深度學習的無人機警察系統，包括：

用于采集監控區域圖片的底層結構：具體為多個簇組成的視覺傳感網，每個簇包含多個節點，每個節點包含攝像機陣列和無人機；

用于識別底層結構中各簇所采集圖片中的無人機的中間層結構；及，

用于存儲中間層結構識別結果、調度中間層結構運算任務的頂層結構。

作為所述基于深度學習的無人機警察系統的進一步優化方案，底層結構中每個節點內的無人機飛行在該節點內攝像機陣列拍攝死角范圍內或拍攝范圍中的重點區域內。

再進一步的，所述基于深度學習的無人機警察系統中，底層結構還包含與每個節點一一對應的預處理芯片，每個預處理芯片對與其對應節點所采集圖像進行數據預處理并傳輸預處理后的圖像至中間層結構。

再進一步的，所述基于深度學習的無人機警察系統中，中間層結構包含與視覺傳感網中簇數目對應的次級處理服務器，每個次級處理服務器識別一個簇所采集圖片中的無人機。

作為所述基于深度學習的無人機警察系統再進一步的優化方那，中間層結構還包括調控各節點的控制服務器，控制服務器一端接收來自主服務器的控制命令，控制服務器的另一端向對應的節點發送控制命令。

作為所述基于深度學習的無人機警察系統的進一步優化方案，中間層結構采用卷積神經網絡海量訓練各簇采集的圖片得到識別模型，由識別模型識別底層結構中各簇所采集圖片中的無人機。

作為所述基于深度學習的無人機警察系統再進一步的優化方案，采用卷積神經網絡海量訓練各簇采集的圖片得到識別模型的方法為：根據各簇采集的圖片正向推導卷積神經網絡的輸出和損失，調用反向傳播，在反向傳播的過程中根據損失計算梯度，將梯度帶入權值更新的計算中后進行下一次正向推導，通過周而復始地正向推導和反向傳播得到識別模型。

更進一步的，所述基于深度學習的無人機警察系統，采用卷積神經網絡海量訓練各簇采集的圖片得到識別模型時，采用反射線性單元激勵神經元。

更進一步的，所述基于深度學習的無人機警察系統中，卷積神經網絡的損失層類型為Softmax。

本發明采用上述技術方案，具有以下有益效果：

(1)采用視覺傳感網技術構建三層結構的無人機警察系統，通過在視覺傳感網的各節點中配置無人機來彌補固定攝像機陣列存在監控死角以及不能靈活調整監控區域的缺陷，采用卷積神經網絡訓練數據以獲取精度較高地識別模型，實現了無人機的監管和識別；

(2)系統為視覺傳感網中的每一個簇配置有一個次級處理服務器，次級處理服務器先對每個簇采集的數據進行處理能夠減輕主服務器的負擔，為每個節點配置的預處理芯片能夠減輕次級服務器的負擔；

(3)選取反射線性單元作為激勵以解決梯度消失問題，選取Softmax損失層使得梯度更加穩定，在卷積神經網絡的訓練過程中，先正向推導輸出和損失，再反向傳播梯度以更新權值，通過周而復始地正向推導和反向傳播訓練出識別模型，解決了損失最小化統一優化的問題。