[发明专利]基于深度学习的图像检测定位加速方法

权利要求书

1.一种基于深度学习的图像检测定位加速方法，其特征在于包括以下步骤：

步骤一、控制飞行器在事先选定的路线上反复飞行，通过其前下摄像头对固定的n个目标点采集不同角度和光照下的图像；

步骤二、利用卷积神经网络判断当前摄像头所得图像中是否存在目标点；

步骤三、利用卷积神经网络对存在目标点的图像进行判断，得出此图像中存在的是哪一个目标点；

步骤四、提取包含目标点的图像中的SIFT特征；

步骤五、利用提取的SIFT特征和相关的目标点图像进行PnP计算，通过平移和旋转以得到当前摄像头即飞行器的位置。

2.如权利要求1所述的图像检测定位加速方法，其特征在于：所述步骤二和步骤三中，选择卷积神经网络作为分类器，将两个分类器设计为级联方式，先将每一帧图像输入到步骤二中的分类器，将其中结果为positive的数据输入到步骤三的N分类器中。

3.如权利要求1或2所述的图像检测定位加速方法，其特征在于：步骤二中，使用卷积神经网络作为分类器，卷积神经网络中的卷积操作如下：

卷积层：

上式是一个l1层到l2层的卷积映射，代表第n-1层输出中第i个channel中二维位置为(i,j)的数值；代表第n-1层到第n层的映射中，生成第l2层数据时，第l1层二维位置为(i,j)的数值的权重；是第n-1层到第n层的映射中，添加在第l2层上的常数偏差；f是自行选择的非线性激活函数；

使用ReLU给模型添加足够的非线性：

ReLU(x)＝max(0,x)

使用梯度下降法训练模型：

x_t+1＝x_t-η*g

其中，g是梯度，η为learning rate，使用其来对学习器的学习速度、参数更新的速率进行限定和控制；

在训练完毕之后，进入infer状态，对于每一个输入到网络中的图像输入x_i，都将其映射为一个二维向量，对应此时的二分类问题，记此时的输出为(y_i1,y_i2)，则此时对应的类别为：

其中，1对应positive，0对应negative，通过函数g映射得到。

4.如权利要求1或2所述的图像检测定位加速方法，其特征在于：步骤三中，使用卷积神经网络作为分类器，卷积神经网络中的卷积操作如下：

卷积层：

上式是一个l1层到l2层的卷积映射，代表第n-1层输出中第i个channel中二维位置为(i,j)的数值；代表第n-1层到第n层的映射中，生成第l2层数据时，第l1层二维位置为(i,j)的数值的权重；是第n-1层到第n层的映射中，添加在第l2层上的常数偏差；f是自行选择的非线性激活函数；

使用ReLU给模型添加足够的非线性：

ReLU(x)＝max(0,x)

使用梯度下降法训练模型：

x_t+1＝x_t-η*g

其中，g是梯度，η为learning rate，使用其来对学习器的学习速度、参数更新的速率进行限定和控制；

网络输出一个N维向量(z_i1.,z_i2..z_iN)，其对应目标点为：

5.如权利要求1所述的图像检测定位加速方法，其特征在于：所述步骤五中使用PnP计算得到的结果进行平移和旋转，得到当前摄像头即飞行器的位置。