[发明专利]基于细粒度分类的无人机识别与定位方法

权利要求书

1.基于细粒度分类的无人机识别与定位方法，其特征在于，包括以下步骤：

(a)建立无人机数据集库：通过采集无人机机型及参数信息，建立满足细粒度分类的计算机视觉数据库；

(b)粗粒度检测：通过YOLO网络结构对摄像机拍摄的视频进行端到端的实时物体识别与检测，准确判断物体是否无人机；

(c)细粒度分类：在步骤(a)所述的无人机数据集库中的数据集的基础上采取强监督学习的方法完成深度学习，进而完成细粒度分类，细粒度分类完成后，精确地得到检测到的无人机类别和无人机型号；

(d)匹配检索型号：得出无人机的具体型号后，在无人机数据集库中匹配检索该型号无人机的具体信息，得到该无人机的所有信息，包括材料信息和结构信息，得知无人机的外在视觉特征；

(e)摄像机标定：获得摄像机的内参数；

(f)空间定位：将无人机的外在视觉特征结合摄像机的内参数得到无人机在立体空间的位置；

步骤(b)中，优化YOLO网络结构，每个格子预测四个bounding box，输出向量为7*7*23的向量，实现基于流视频下的物体检测，以60-70FPS/S的速率检测出镜头内的物体是否是无人机，从而完成粗粒度检测；

步骤(c)中，将不同型号无人机之间的突出明显特征作为细粒度划分的局部微小特征，在检测的基础上，通过训练得到微小特征分类器，通过区域化检测帧图片，通过多个微小特征分类器的检测结果最终得出无人机的具体的型号；

步骤(c)中，局部微小特征的识别检测是将无人机进行两倍像素放大的向下采样，如公式(1)所示，

X_i代表向下采样后的图像，S_i代表原图像，YS(S_i)代表原图像的某个像素点位置，x₁₁,…，x_nn代表像素大小，YS(S_i)函数将原图像的某个像素点位置坐标映射到其他位置，与矩阵相乘是将微小部位的特征像素强度放大，弱化其他区域的像素强度，能够增加分辨率，放大局部微小特征的视觉感知信息；将放大的局部微小特征放入深度网络中，作为细粒度分类的分类器。

2.根据权利要求1所述的基于细粒度分类的无人机识别与定位方法，其特征在于：所述YOLO网络结构包含6个卷积层、一个全连接层，输出7*7*23的向量，输出预测目标位置及类别信息，将输出的图片进行如公式(1)形式的采样，紧接着送入细粒度分类的深度网络，所述深度网络包含4个卷积层、1个全连接层，全连接层输出7*7*14的向量，用于输出细粒度检测后的无人机型号。

3.根据权利要求1-2任一项所述的基于细粒度分类的无人机识别与定位方法，其特征在于：通过摄像机标定，以及通过平移和旋转矩阵，将图像中的二维坐标转换成三维坐标，建立了平面图片到立体空间中的映射；通过YOLO网络结构得到无人机的二维坐标位置，按照映射关系，进而得到立体空间的无人机三维坐标。

4.根据权利要求3所述的基于细粒度分类的无人机识别与定位方法，其特征在于：通过帧图片的连续三维坐标信息，在立体空间中得到无人机的轨迹信息。

5.根据权利要求1所述的基于细粒度分类的无人机识别与定位方法，其特征在于：外在视觉特征包括无人机的机身长、机身宽、机身高的结构信息。

6.根据权利要求1所述的基于细粒度分类的无人机识别与定位方法，其特征在于：摄像机的内参数包括镜头参数、传感器参数、像素大小。