[发明专利]一种基于机载视觉的着舰合作目标检测方法

说明书

本发明公开了一种基于机载视觉的着舰合作目标检测方法，属于导航定位与控制的技术领域。本发明提出一种以改进深度学习SSD模型为基础，结合相关滤波KCF技术的双线程目标检测算法。设计融合多尺度信息的特征提取结构。为满足机载嵌入式设备运行要求，利用通道降维，深度可分离卷积和逐点分组卷积减少网络模型运行内存占用量。设计双线程跟踪策略，结合相关滤波KCF算法，提升算法实时性。本发明提高了检测精度与运行速度，实现无人机着舰过程对着舰合作目标的快速检测与跟踪。

技术领域

本发明公开了一种基于机载视觉的着舰合作目标检测方法，属于导航定位与控制技术领域。

背景技术

舰载无人机在海上可执行战场救护、侦察、中继制导、远程打击等多种危险任务,已成为现代海上战争中的理想武器，在众多国家都得到了大力推广。而由于受到海浪、舰船、无人机性能、舰上着舰区气流等因素的影响，直升机在海上舰艇上起降，特别是在中小舰艇上起降，面临着很多危险。

在众多着舰导航方式中，视觉引导具有抗电磁干扰，体积小，重量轻等众多优点。基于视觉的无人机自动着舰技术已成为国内外在舰载无人机技术中的重要研究内容。计算机视觉技术是一种先进的被动式测量或感知技术，无需在合作目标上安装传感器实物或天线，仅需将标定过的相机安装在无人机上，通过一定的计算机视觉处理便可以得到无人机与着舰合作目标的精确相对位置信息。

发明内容

为了解决下滑着舰过程合作目标的整体检测问题，本发明提出了一种基于机载视觉的着舰合作目标检测方法，以改进深度学习SSD(Single Shot MultiBox Detecter单次多框检测器)模型为基础，结合相关滤波KCF(High-Speed Tracking with KernelizedCorrelation Filters核相关滤波算法)技术的双线程目标检测算法。针对着舰场景中合作目标在视野体积小，尺度变化大的特点，设计融合多尺度信息的特征提取结构。为满足机载嵌入式设备运行要求，利用通道降维，深度可分离卷积和逐点分组卷积减少网络模型运行内存占用量。设计双线程跟踪策略，结合相关滤波KCF算法，提升算法实时性。

本发明为解决其技术问题采用如下技术方案：

一种基于机载视觉的着舰合作目标检测方法，包括如下步骤：

1)设计合作目标；

2)融合SSD模型三层特征图信息；

3)在SSD模型上去掉尾端对大目标的检测，仅对四幅特征图进行检测；

4)对步骤2)和步骤3)的各特征图在通道维进行拼接后用1×1卷积核降维；

5)对输出特征图进行深度分离卷积操作；

6)深度学习SSD检测模块以低帧率5秒/次运行；

7)当SSD检测模块检测到合作着舰目标时，输出检测到的目标位置，当SSD检测模块不工作，输出目标跟踪模块输出的跟踪结果；

8)循环步骤1)至步骤7)。

步骤2)所述融合SSD模型三层特征图信息为融合Conv4_3，Conv7,Conv8_2三层特征图信息。

步骤5)所述深度分离卷积操作分为Depthwise和Poingwise两个过程。

所述Depthwise过程是计算每个通道的空间特征。

步骤6)的具体过程如下：