[發明專利]一種基于自適應模型集成的無人機航拍圖像目標檢測方法

有效

• 申請號: 202110665950.6
• 申請日: 2021-06-16
• 公開（公告）號: CN113313058B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 曾國奇;朱晨曦;雷耀麟;馬駿一
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/56;G06V10/74
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 易卜

本發明公開了一種基于自適應模型集成的無人機航拍圖像目標檢測方法，屬于航拍圖像目標檢測領域；首先、訓練m個子模型，對無人機在不同高度下日間與夜間分別拍攝的樣本進行標注；針對每個高度，利用目標標注的邊框面積平均值作為高度指標；同時，對圖像coco測評得到測評表；接著，實際固定作業，將拍攝圖片分別送入各子模型中，利用所有目標的邊框面積平均值，與高度指標進行相似度比較，找到作業條件中的高度值；同時，通過對圖片像素點的灰度值進行判斷，得到各圖片的明暗標志，對應為作業條件中的日夜間條件；最后，通過對各個模型融合權重，分別計算各目標的置信度及對邊框進行修正，實現目標檢測。本發明計算量小、普適性好，適用于大部分場景。

技術領域

本發明屬于無人機航拍圖像目標檢測領域，具體是一種基于自適應模型集成的無人機航拍圖像目標檢測方法，用于對無人機航拍圖像進行分析檢測。

背景技術

隨著無人機技術的快速發展，配備攝像頭的無人機已經可以快速部署；基于無人機航拍圖像下的目標檢測是計算機視覺領域中十分前沿的研究課題，由此衍生出的相關技術可以應用于農業、快遞、公共安全監控和航空攝影等各個領域。

在傳統的計算機視覺領域，多數基于手動提取特征加上分類器的目標檢測算法已無法滿足使用中人們對檢測精度的要求。近幾年深度學習技術包括目標檢測、語義分割、實例分割等多項計算機視覺領域都取得了十分驚艷的效果，但深度學習方法結合無人機航拍圖像也面臨諸多挑戰：無人機航拍圖像相較于通用數據集圖像有背景樣本復雜、分辨率高、物體尺度變化大以及目標分布密集等特點，因此會影響檢測器的精度；而且受到無人機飛行高度以及作業天氣等影響，單一模型的性能會隨著外部作業條件產生明顯的波動。

發明內容

本發明針對上述問題，提出了一種基于自適應模型集成的無人機航拍圖像目標檢測方法，利用數個深度學習目標檢測模型進行集成，依據對應的數個結果，按照模型性能對邊框與分數閾值進行修正，從而達到全天候全作業天氣條件下，精確檢測無人機航拍圖像目標的目的。

所述的基于自適應模型集成的無人機航拍圖像目標檢測方法，具體步驟如下：

步驟一、利用目標檢測技術，對特征提取網絡進行訓練，得到符合不同限制條件的m個檢測子模型；

限制條件包括：天氣條件，模型差異性，以及對大中小目標不同的敏感度等；

m大于等于2；

步驟二、無人機在同一個高度下分別進行日間作業與夜間作業的拍攝，將n個不同高度下拍攝的所有幀圖像都進行標注，總共得到2*n組圖像集；

標注是指：每幀圖像中都包括若干目標，每個目標都分別利用邊框進行標注；

2*n組圖像集為A＝{A₁,A₁',A₂,A₂',...,A_n,A_n'}；A_n為第n個高度下日間作業拍攝的所有幀圖像的集合；A_n'為第n個高度下夜間作業拍攝的所有幀圖像的集合；

步驟三、針對每個高度，將該高度對應的2組圖像集中所有目標標注的邊框面積，取平均值作為該高度下對應的高度指標，共得到n個高度指標；

高度指標集合為：R＝{R₁,R₂,…,R_n}；

步驟四、將2*n組帶有標注信息的圖像集，分別輸入每個子模型進行coco測評指標的測試，得到測評表；

測評表中每個模型下，每個高度對應的日間作業或夜間作業的n組標注圖像分別作為一個數據集，同一個高度下兩個數據集分別對應各自的測評分數；測評分數為0到1之間的數。