[發明專利]一種基于運動特征和深度學習特征的無人機小目標檢測方法

有效

• 申請號: 201711166232.4
• 申請日: 2017-11-21
• 公開（公告）號: CN107862705B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 高陳強;杜蓮;王燦;馮琦;湯林;汪瀾
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06N3/04
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

本發明涉及一種基于運動特征和深度學習特征的無人機小目標檢測方法，屬于圖像處理與計算機視覺技術領域。首先通過視頻穩像算法對輸入的視頻數據集處理，補償攝像頭運動；分析圖像中檢測運動候選目標區域；將視頻數據集分為兩部分，利用訓練數據集訓練得到改進的候選區域生成網絡模型；通過訓練得到的基于深度特征的候選區域生成網絡，通過該網絡對測試集的視頻圖像生成候選目標；將候選目標區域進行融合；利用訓練數據集訓練得到基于雙通道的深度神經網絡的模型，并應用該模型得到識別結果。將基于多層深度特征的目標跟蹤方法應用于上一步的識別結果，得到最終的無人機所在位置。本發明可準確檢測出視頻圖像中的無人機，為后續無人機智能監控相關領域的研究提供支持。

技術領域

本發明屬于圖像處理與計算機視覺技術領域，涉及一種基于運動特征和深度學習特征的無人機小目標檢測方法。

背景技術

目前，隨著商業無人機的可用性和成熟度急劇增長，無人機的銷售成倍增長，在公共領域飛行的無人機已經屢見不鮮。無人機不僅出現在熱門綜藝的鏡頭里、浪漫求婚儀式上，還可以在農田上空噴灑農藥、代替工人進行高空清洗作業，用于測繪拍攝、森林防火、軍事偵察等等。但是，隨著無人機的迅速發展，無人機造成的危險事故也在增長，給公共安全、隱私泄露、軍事安全等方面帶來了威脅。

近年來，檢測無人機技術大致可以分為聲音檢測(Acoustics Detection)、射頻檢測(Radio Frequency)、雷達檢測(Radar Detection)、視覺檢測(Visual Detection)等。聲音檢測使用麥克風陣列來探測無人機飛行的轉子噪聲，然后將探測到的噪聲與記錄了所有無人機聲音的數據庫進行匹配，識別出該噪聲是否屬于無人機從而判斷出是否有無人機靠近。聲音檢測的方法容易受到環境噪聲的干擾，同時，構建無人機聲音特征的數據庫十分耗時。射頻檢測是通過無線接收器監控一定頻率范圍內的射頻來檢測無人機。這種方法很容易將未知的射頻發射機誤報為無人機。雷達檢測是通過檢測驗證接收到的目標散射和反射的電磁波來判斷是否是無人機。雷達設備的費用以及能源消耗十分的昂貴，并且易受到環境影響而產生盲區。視覺檢測一般是通過一個或多個成像設備來檢測無人機，利用某種方法分析圖像序列來判斷是否有無人機存在。基于視覺的無人機檢測不易受到環境噪聲的干擾，可以定位無人機所在位置，還可以辨別出無人機是否攜帶危險物品，甚至可以檢測無人機的飛行軌跡、飛行速度等信息。因此，基于視覺的檢測方法相比其他手段具有巨大的優勢，同時也能彌補其他檢測手段的不足。

目前基于視覺的無人機檢測的研究工作較少。很顯然，在越遠的距離檢測到無人機，對于提前規避無人機的危險更有利。無人機相比行人、飛機、車輛等目標大小更小，尤其是在遠距離成像中，無人機的尺寸非常小，這使得基于視覺的無人機檢測更加困難。因此，目前需要一種能有效檢測視頻中無人機小目標的檢測算法。

發明內容

有鑒于此，本發明的目的在于提供一種基于運動特征和深度學習特征的無人機小目標檢測方法，利用目標跟蹤算法來跟蹤無人機并濾除虛假目標，結合無人機尺寸小等特點，對卷積神經網絡結構進行了改進，使深度學習算法適用于小目標的情況，并能夠有效的檢測出復雜場景中的無人機，提高了無人機檢測的準確率。

為達到上述目的，本發明提供如下技術方案：

一種基于運動特征和深度學習特征的無人機小目標檢測方法，該方法包括以下步驟：

S1：通過視頻穩像算法對輸入的視頻的數據集進行處理，補償攝像頭運動；

S2：通過低秩矩陣分析方法從運動補償后的視頻圖像中檢測運動候選目標區域Ⅰ，并通過圖像后處理模塊去除運動候選目標區域Ⅰ中細小的噪聲點；

S3：將視頻的數據集分為訓練集和測試集，利用訓練集訓練得到改進的候選區域生成網絡模型；通過改進的區域生成網絡模型對測試集的視頻圖像處理生成候選目標區域Ⅱ；

S4：將候選目標區域Ⅰ和候選目標區域Ⅱ進行融合得到候選目標區域Ⅲ；