[發明專利]一種基于注意力機制的多方向的無人機航拍的車輛檢測方法

在審

• 申請號: 202110000536.3
• 申請日: 2021-01-04
• 公開（公告）號: CN112733691A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 侯治剛;丁治明;遲遠英;楊博文;伍佳名;劉元柱;袁磊
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于注意力機制的多方向的無人機航拍的車輛檢測方法，設計一個融合注意力機制的特征金字塔網絡即RPN網絡；根據車輛特點，對RPN網絡進行設計并加入方向屬性；對Faster R?CNN進行改進，加入上述兩步驟的方案。進而對車輛進行檢測，得出結果。本發明在Faster R?CNN設計中，通過加入注意力機制，可以使得FPN的每個通道和區域獲得自適應權重，并且可以對多個方向的車輛進行準確的檢測，從而更好的對車輛進行計數，減少漏檢和誤檢的情況。

技術領域

本發明屬于無人機航拍圖像的目標檢測領域，涉及到了目前先進的目標檢測 算法、注意力機制以及基于FasterR-CNN的航拍圖像的多方向車輛檢測模塊。

背景技術

無人機憑借其高機動性，快速部署和大范圍的監視，在交通管理，停車場管 理，城市規劃，應急救援等方面起著重要的作用。近幾年隨著車輛保有量的增加， 交通方面的問題日益突出。借助車輛檢測可以進行車流量計算，交通擁堵情況預 測等，從而更好得監控和管理交通。這一切的前提都需要能夠準確地檢測所有車 輛。

近年來隨著圖形處理技術的提高，深度學習和人工智能在計算機視覺等領域 取得了巨大的成功。很多研究者提出了基于深度學習的目標檢測算法，取得了不 錯的效果，總體分為One-Stage和Two-Stage兩大模塊。One-Stage的代表算法有 SSD、Yolo，yolov2，yolov3。Two-Stage主要有Faster-RCNN。但是他們是針對 差異很大的數據集進行開發的，這些數據集的圖像，比如Pascal VOC2007、 MSCOCO等日常的車輛圖像，它們只包含一個或者占據圖像很大的一部分對象， 而無人機圖像失去了車輛的“面子”，車輛呈現出典型的直線結構。非車輛直線物 體的存在，如電力單元、建筑物頂部的空調單元，會使任務復雜化，造成許多誤 報，而且中低空圖像目標對象都比較小，一般只有15-20像素，因此要對無人機拍攝車輛進行準確的檢測是一項很大的挑戰。

綜上，本發明通過擴展Faster R-CNN目標檢測框架，針對目前中低空車輛 檢測的問題，我們將注意力機制加入到FPN中，并對其特征進行交叉融合，生 成了語義信息更為豐富的特征圖，有效緩解航拍小目標的小尺度損失，使得更好 的對圖像進行分類與回歸。同時為了對不同方向車輛進行檢測，我們提出了旋轉 區域建議網絡(Region ProposalNetwork，RPN)來生成具有車輛方位角信息的 多方位建議，在RPN中，還對邊界盒的方向角進行了回歸，使傾斜的車輛區域 建議生成更加準確。

發明內容

本發明的目的在于為無人機航拍的圖像提供一個高性能的車輛檢測模塊，以 解決上述背景技術中提到的問題。

為實現上述目的，本發明提供如下技術方案：一種基于注意力機制的多方向 的無人機航拍的車輛檢測方法，包括以下步驟：

步驟S1：設計一個融合注意力機制的特征金字塔網絡即RPN網絡；

步驟S2：根據車輛特點，對RPN網絡進行設計并加入方向屬性；

步驟S3：對Faster R-CNN進行改進，加入上述兩步驟的方案。進而對車輛 進行檢測，得出結果。

圖1為本發明的結構流程圖。本發明根據中低空車輛的特點對原有Faster R-CNN做出了改進，其中選取ImageNet圖像數據集預先訓練得到VGG16卷積 層作為主干網絡提取特征值，別的層采用隨機方式進行初始化，為了獲得圖像的 多尺度特征表達，利用卷積神經網絡提取層次特征，進而建立特征金字塔；然后 根據RPN網絡生成目標候選區域，在特征金字塔各個層級中找到對應的目標區 域，從而提取出目標的多尺度特征。將池化后的特征在ROI Polling層進行特征 融合。整個網絡結構采用多任務聯合學習，同時實現目標的檢測定位與類型識別。