[發明專利]一種基于深度學習的低空無人機目標檢測方法及系統

在審

• 申請號: 202010401407.0
• 申請日: 2020-05-13
• 公開（公告）號: CN111666822A
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 閆夢龍;馬益杭;王書峰;陳凱強
• 申請（專利權）人: 颯鉑智能科技有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06N3/04
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

本發明提出了一種基于深度學習的低空無人機目標檢測方法及系統，包括：采集目標區域內的光學影像信息；基于EConvBlock卷積方式對所述光學影像信息進行特征提取得到特征圖；構建多個不同尺度的卷積層，依次對所述特征圖進行處理，以確定所述光學影像信息是否存在無人機，及無人機的位置；提高了單個卷積模塊的感受野，特征提取器使用更少的卷積模塊數量即可達到大的感受野，減少計算量和計算冗余；本發明結合了無人機目標特點，約束默認邊界框的長寬比為1∶1，減少搜索空間，提高檢測準確率；本發明的技術方案結合無人機防御系統的綜合防御體系，限定尺度搜索范圍并采用非線性尺度搜索，加大近目標檢測密度，提高綜合防御性能。

技術領域

本發明涉及圖片識別領域，具體涉及一種基于深度學習的低空無人機目標檢測方法及系統。

背景技術

隨著無人機技術的迅猛發展，以消費級無人機為代表的“低慢小”飛行器對公共安全特別是軍政要地、大型民用設施、軍事設施及重大活動的安保帶來了嚴重的威脅。傳統的防空武器面對無人機等“低慢小”目標時，通過電子雷達和紅外進行預警，依賴人工交互對威脅性目標進行確認和打擊，存在發現識別困難、難以跟蹤、實時性低等缺點。本發明針對該問題，基于深度學習方法，提出一種無人機目標智能檢測流程和方法，有助于提高無人機防御系統中從預警、檢測識別、跟蹤和打擊的全鏈路自動化程度，盡最大程度減少人為干預，提高識別準確率、系統實時性和綜合防御性能。

傳統的通用目標檢測算法受限于特征的表征能力有限，在檢測準確率上達到瓶頸期，無法取得較大突破，限制了這些放法的在實際環境中應用場景。現有的基于深度學習的通用目標檢測算法雖然能取得較好的效果，但仍存在兩個問題：

1.未針對無人機目標的特點做特定的限制和改造，仍存在較高的虛警率；

2.現有算法通過大量重復的“卷積模塊”來提高網絡感受野和特征提取能力，而這些“卷積模塊”存在大量冗余計算，效率低下。

發明內容

為了解決現有技術中所存在的技術問題，本發明提供一種基于深度學習的低空無人機目標檢測方法，包括：

采集目標區域內的光學影像信息；

基于EConvBlock卷積方式對所述光學影像信息進行特征提取得到特征圖；

構建多個不同尺度的卷積層，依次對所述特征圖進行處理，以確定所述光學影像信息是否存在無人機，及無人機的位置。

優選的，所述基于EConvBlock卷積方式對所述光學影像信息進行特征提取得到特征圖，包括：

將所述光學影像信息作為輸入特征圖分別饋入卷積數量相同但孔徑不同的多個卷積分支進行處理；

將多個卷積分支的輸出特征圖進行級聯合并；

然后再依次饋入批歸一化層和激活函數層得到輸出特征圖。

優選的，所述構建多個不同尺度的特征圖，依次對所述特征圖進行處理，以確定所述光學影像信息是否存在無人機，包括：

構建多個不同尺度的特征圖；

將所述特征圖依次輸入不同的卷積模塊，得到多個分辨率依次遞減的多尺度特征圖；

將多尺度特征圖分別輸入多個不同的卷積層，得到相應的表征檢測結果的輸出特征圖；

將所有表征檢測結果的特征圖饋入損失層進行損失計算；

其中，根據每個卷積層對應的特征圖的分辨率不同，其候選框的尺寸具有不同的約束參考框尺寸。

優選的，所述卷積層的輸出通道數均為6K，其中K為代表所述卷積層對應的特征圖中每個單元對應K個候選參考框。

優選的，所述不同尺度的特征圖與對應的候選參考框尺度的關系如下式：