[發明專利]基于簇類無人機圖像的自適應分割檢測方法及裝置

在審

• 申請號: 202110081323.8
• 申請日: 2021-01-21
• 公開（公告）號: CN112766170A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 李云;王學軍;李菲;蔣曹清;胡小春;龔秋華;李國;譚智誠
• 申請（專利權）人: 廣西財經學院;桂林航天工業學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣東廣盈專利商標事務所(普通合伙) 44339
• 代理人: 楊樂兵

本發明公開了一種基于簇類無人機圖像的自適應分割檢測方法及裝置，其中，所述方法包括：基于收斂的第一神經網絡提取無人機圖像信息的聚類候選框；基于自適應法確定無人機圖像信息中的聚類候選框的分割個數；對聚類候選框進行融合處理，獲得融合后的聚類候選框數目和聚類候選框；基于融合后的聚類候選框數目和聚類候選框對無人機圖像信息進行分割和填充，獲得分割及填充后的無人機圖像信息；對分割及填充后的無人機圖像信息進行精確檢測，同時對無人機圖像信息進行全局檢測；基于預設規則對精確檢測結果和全局檢測結果進行融合，獲得融合檢測結果。在本發明實施中，能夠合理的分割圖像，提高目標檢測結果的準確率。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于簇類無人機圖像的自適應分割檢測方法及裝置。

背景技術

智能技術和電子通信行業的快速進步推動了無人機行業的高速發展，目前無人機技術在軍事、農業、環保和通信等方面都有了廣泛的用途，而無人機在執行任務的過程中會產生大量的圖像，深度挖掘圖像信息對無人機技術在社會各個行業的深入應用有著重要的意義。針對無人機圖像的特點，把研究目光聚集到無人機圖像的多目標檢測上面，改進先進的檢測算法從而提高圖像檢測的質量。

基于深度學習的圖像處理方法在一般的數據集上表現出很好的效果，但是這些經典的算法在無人機圖像的目標檢測任務中的表現卻不佳，原因有以下幾點，第一，無人機圖像由高空拍攝，由于拍攝角度和拍攝高度等原因，使得圖像中的目標物分辨率低，特征不明顯；第二，無人機圖像的視野很大，圖像中的目標很多，通常這些目標以聚類的方式呈現，例如，聚類出現的房子、紅綠燈路口聚類出現的人群和車輛，這些聚類的多目標很大程度上增加了目標檢測的難度。第三，無人機圖像數據集拍攝的場景不同，因此聚類目標的數量和聚類區域的數量也會不同，不確定的數量關系降低算法的魯棒性，從而增加目標檢測的難度。針對無人機圖像的特點，學術界提出了分割圖像的方法，首先，使用訓練好的神經網絡對圖像中的多目標進行區域的劃分和融合，然后根據融合后的結果對圖像進行分割，使一張多目標圖像分割成多個較少目標的圖像，再根據分割后的圖像尺寸不同對圖像進行拉伸或者填充的操作，最后使用經典的目標檢測算法對這些圖像進行精確目標檢測。

對圖像先分割再檢測的方法提高了無人機圖像檢測結果的質量，此類方法的核心是圖像分割。圖像分割由以下幾個步驟完成：第一，確定圖像要分割的數目N，導入無人機圖像訓練集和測試集；第二，構建神經網絡，使用有監督學習的方法對神經網絡進行訓練，訓練目的是得到一個能提取出圖像中聚類區域的神經網絡，神經網絡輸出圖像聚類區域的坐標和對應區域的置信度；第三，依據聚類區域的置信度和坐標，使用融合算法對圖像多個聚類區域進行融合，融合后的數目為B，如果B小于N，取B的值作為最終的分割值，否則取N的值。最后對圖像進行分割。

這種分割方法的分割數目的上限是N，N的值是一個超參數，在圖像檢測之前確定。這種方法的不足之處是：當無人機圖像的聚類區域B大于N時，說明聚類區域的數目較多，如果仍然按照上限值N來分割圖像，會使得部分聚類區域沒有被分割，那么這些區域會被最后的全局檢測網絡檢測，而全局只能起到對精確檢測網絡的補充作用，這部分的聚類區域的檢測結果的準確率會大大降低。

發明內容

本發明的目的在于克服現有技術的不足，本發明提供了一種基于簇類無人機圖像的自適應分割檢測方法及裝置，能夠合理的分割圖像，提高目標檢測結果的準確率。

為了解決上述技術問題，本發明實施例提供了一種基于簇類無人機圖像的自適應分割檢測方法，所述方法包括：

基于收斂的第一神經網絡提取無人機圖像信息的聚類候選框；同時，

基于自適應法確定所述無人機圖像信息中的聚類候選框的分割個數；

基于所述聚類候選框和所述聚類候選框的分割個數對所述聚類候選框進行融合處理，獲得融合后的聚類候選框數目和聚類候選框；