[发明专利]一种基于轻量级神经网络的无人机图像车辆检测方法

权利要求书

1.一种基于轻量级神经网络的无人机图像车辆检测方法，其特征在于：包括以下步骤：

S01，计算损失公式，使度量匹配度的平方误差期望值最小，确定自适应大小的锚框尺寸，具体步骤为：

假设总数为K的锚框为A={}，则表示第k个锚框，表示与相匹配的人工标注框，则：

（1）

其中，表示损失值，表示求期望值，B表示边界框的随机变量，表示在给定的情况下与最佳匹配的人工标注框；

表示B属于的概率，是随机变量B在条件下的方差，和可以分别表示为：

（2）

（3）

其中为属于的边界框总数，n为边界框B的总数，b表示属于的边界框，则公式（1）中的可表示为：

（4）

可计算出无人机图像中车辆目标的最优化锚框尺寸：

（5）；

S02，使用轻量级神经网络提取图像特征，得到图像的特征图；

S03，根据图像的特征图生成预测框并进行目标分类与定位；

S04，过滤掉属于背景的预测框以及去除掉冗余的预测框，输出剩余的预测框。

2.根据权利要求1所述一种基于轻量级神经网络的无人机图像车辆检测方法，其特征在于：S02中，轻量级神经网络为ShuffleNet V21，通过删去末尾的全连接层得到网络结构。

3.根据权利要求1所述一种基于轻量级神经网络的无人机图像车辆检测方法，其特征在于：S03具体步骤为：用一个1×1的卷积层来卷积该特征图，卷积过程中，在滑动窗口的每个像素点对应的原图像上设置S01中得到的k个最优尺寸的锚框，生成所有的预测框；

下面将卷积的结果和得到的预测框输入到两个并行的卷积层中进行卷积：

其中一个卷积层，大小为1×1，其输出是用于分类的置信度，表示每个预测框分别属于目标或背景这两种类别的概率；

另一个卷积层，大小为3×3，其输出则是用于对预测框进行修正，使其更接近人工标注框的定位输出，表示的是每个预测框回归后的坐标值（x,y,w,h），其中x、y分别是预测框的横坐标值和纵坐标值，w、h分别是预测框的宽和高。

4.根据权利要求1所述一种基于轻量级神经网络的无人机图像车辆检测方法，其特征在于：S04中，属于背景的预测框通过设置置信度阈值的方法过滤掉。

5.根据权利要求1所述一种基于轻量级神经网络的无人机图像车辆检测方法，其特征在于：S04中，冗余的预测框使用非极大值抑制算法去除掉。