[發明專利]一種基于改進ssd目標檢測網絡的無人機規避算法

在審

• 申請號: 201910422493.0
• 申請日: 2019-05-20
• 公開（公告）號: CN110110702A
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 周封;譚曉東;盧松恒
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G05D1/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進ssd目標檢測網絡的無人機規避算法，其特征在于，包括：

(1)：制作訓練集和測試集，設定目標檢測模型和雙目測距對應的測試集：

從VOC、COCO、SOGOU數據集中抽取出障礙物相關的數據集作為目標檢測數據集，其中5721張圖片作為為訓練集，取出500張圖片作為測試集；

從真實場景中固定兩臺攝像機的相對距離，拍攝成對障礙物圖片200張，并測定障礙物與攝像機連線的矢量距離作為圖片標簽，將圖片對和矢量距離標簽對應制作為雙目測距對應的測試集；

(2)：根據標定數據集建立目標檢測模型：

(2a)：將每個圖片中可能包含障礙物作為檢測目標，記為{vj}；將每個障礙物的預測框坐標記為[xi,yi]；

(2b)：在生成預測框階段，目標檢測模型先將所有經過卷積得到的預測偏移信息和與之對應的先驗框進行解碼，計算出預測框，解碼公式為：

x_i＝(t_x×w_a)+x_a

y_i＝(t_y×h_a)+y_a

式中，[x_a,y_a]代表先驗框坐標，[w_a,h_a]代表先驗框的寬高，t_x、t_y為預測偏移信息；

(2c)：預測框分類階段，對每個預測框的置信度和不同障礙物類別的置信度對比，得出最高的置信度所述分類作為本預測框類別；

(2d)：將剩下的預測框進行NMS處理；

(3)：構建并訓練ssd目標檢測模型，具體步驟為：

(3a)：在原來ssd前置網絡VGG-16中，將conv3_ci，conv5_ci，conv9_ci，conv11_ci，conv12_ci作為預測特征層；

(3b)：用空洞卷積操作對conv3_ci，conv5_ci進行下采樣操作，生成特征圖3、5與conv9_ci的特征圖9具有相同的特征圖尺度；

(3c)：利用反卷積操作對conv11_ci，conv12_ci上采樣操作，生成特征圖11、12與conv9_ci的特征圖9具有相同的特征圖尺度；

(3d)：將步驟(3b)所述特征圖3、5與步驟(3c)的特征圖11、12和特征圖9進行連接，并加入BN層(batch normalization layer)進行歸一化處理,在經過1x1卷積核進行降維生成最終feature map；

(3e)：利用步驟(1)生成目標檢測數據集對ssd目標檢測網絡模型進行訓練；

(4)：將測試集中的，每一對障礙物圖片傳入到訓練好的ssd檢測網絡，輸出神經網絡預測的類別標簽和位置標簽；

(5)：利用不同視角檢測到障礙物的位置進行雙目測距得到障礙物距離，其中雙目測距的計算步驟為：

(5a)：世界坐標和攝像機坐標的轉換，假設某點在世界坐標系中的坐標為[X_w,Y_w,Z_w]，則攝像機坐標系和世界坐標系的轉換公式為：

式中，[u,v,1]^T為點在圖像坐標系中的坐標；

式中，[X_c,Y_c,Z_c,1]^T為點在攝像機坐標系中的坐標，K為攝像機內參數矩陣；

(5b)：由兩個相機的呈像像面坐標計算真實世界坐標：

式中，[X,Y,Z]為目標像素點的世界真實坐標位置；

式中，通過聯立方程可求解[X,Y,Z]；

(6)：將障礙物分類和矢量距離反饋到無人機駕駛系統控制其自動避讓。

2.根據權利要求1所述的一種基于改進ssd目標檢測網絡的無人機規避算法，其特征在于，所述步驟(1)的障礙物的種類主要包括：高樓、鳥類、供電線路、信號天線、氫氣球和其他無人機；每一種分類下的標注數據集數目保持一致。