[發明專利]檢測無人機影像目標的方法和系統

有效

• 申請號: 201811174109.1
• 申請日: 2018-10-09
• 公開（公告）號: CN109389086B
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 阿孜古麗·吾拉木;施祖賢;張德政;栗輝;陳天傲;楊容季
• 申請（專利權）人: 北京科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

本發明公開了一種檢測無人機影像目標的方法和系統。其中，該方法包括：判斷目標的參考幀與當前幀的差異值是否超過閾值，其中，參考幀是當前幀的相鄰前幀；如果差異值超過閾值則提取參考幀和當前幀各自的特征；通過光流網絡模型將參考幀的特征傳遞到當前幀；將當前幀與從參考幀傳遞過來的特征按照不同的預設權重進行組合成為增強特征，其中，權重在特征通道中為固定不變的空間權重；檢測增強特征得到目標檢測與識別的結果和語義分割的結果。本發明解決了現有技術在對無人機影像進行目標檢測與識別時存在處理精度與效率不能兼顧的技術問題。

技術領域

本發明涉及基于深度學習的無人機影像目標檢測與識別領域，具體而言，涉及一種檢測無人機影像目標的方法和系統。

背景技術

基于無人機遙感影像數據的檢測與識別技術正逐漸從軍事領域進入到民用領域，一個可以快速準確獲取影像信息、充分利用影像中復雜信息的方法備受關注，目標檢測與識別是圖像處理和模式識別的重要任務，最早期主要是靠人眼來識別目標物體，耗費大量的人力物力財力，并且效率低下；前些年發展成用機器學習進行目標識別，即提取圖像中的尺度不變特征變換(Scale-invariant feature transform，SIFT)、方向梯度直方圖(Histogram of Oriented Gradient，HOG)、加速穩健特征(Speeded Up Robust Features，SURF)等特征，通過人工組合不同的特征，輸入到分類器中進行分類，再結合相應的方法進行目標定位，雖然大大提升了效率，但是仍需要人工參與、檢測效果不如人工檢測；近幾年，隨著深度學習的發展，現有技術還出現基于深度學習一些圖像目標檢測算法，比如，R-CNN、AttentionNet、YOLO、SSD、Faster R-CNN、Mask R-CNN等等，這些方法各自存在一些缺點，方法1：Mask R-CNN是一個實例分割(Instance segmentation)算法，可以用來做″目標檢測″、″目標實例分割″、″目標關鍵點檢測″。它主要用在靜態圖像的實例分割上，但在視頻中直接應用該算法主要存在兩方面的問題：a、計算量巨大，無法實時；b、由于Mask R-CNN是針對靜態圖像設計的，直接將其應用在視頻中存在很多誤檢和漏檢；方法2：使用YOLO v3進行目標檢測與識別雖然速度快，但是與高速度相匹配的是高性能顯卡，成本很高。另外，和Mask R-CNN一樣，它是針對靜態圖像設計的，直接將其應用在視頻中存在很多誤檢和漏檢。方法3：T-CNN雖然能夠通過時間信息和上下文信息修正效果，但是如果本身靜態圖像檢測框架的檢測效果不佳，則難以進行后續修正，另外，T-CNN計算量大，無法達到實時。方法4：Deep feature flow無法達到實時，并且沒有考慮時間信息和上下文信息，容易存在漏檢和誤檢。對精度要求高的項目無法達到預期要求。方法5：Impression Network for VideoObject Detection解決的問題比較局限，僅融合多幀特征，同時提高速度和性能；雖然速度提升，但是無法實時，同時缺乏后處理操作。方法6：NoScope的輕量級CNN雖然可以加速單幀檢測開銷，但是精度比較低，并且沒有利用相鄰幀間的特征融合，精度不一定能達到要求。同時，針對視頻進行檢測缺乏后處理來提升精度。

綜上所述，由于視頻中存在運動模糊，遮擋，形態變化多樣性，光照變化多樣性等問題，僅利用圖像目標檢測技術檢測視頻中的目標并不能得到很好的檢測結果，精度不夠經常存在漏檢和誤檢。而單獨使用這些方法都無法兼顧速度與精度。

針對上述現有技術在對無人機目標圖像進行檢測與識別時存在處理精度與效率不能兼顧的問題，目前尚未提出有效的解決方案。

發明內容

本發明實施例提供了一種檢測無人機影像目標的方法和系統，以至少解決現有技術在對無人機影像進行目標檢測與識別時存在處理精度與效率不能兼顧的技術問題。