[发明专利]一种基于无人机的目标检测识别方法及系统

权利要求书

1.一种基于无人机的目标检测识别方法，其特征在于，包括如下步骤：

S1、选定待检测目标图像；

S2、环境影响去除：通过图像增强算法去除环境因素对图片清晰度的影响；

S3、图像目标性分析：通过在超出类别信息的层面上进行是否为目标的判断，并将选定的少量图像候选区域提供给后续的识别算法；

S4、图像显著性分析：通过获得的较为显著的区域来选择性的处理图像相关区域，从而更好地确定目标的潜在区域；

S5、目标检测：根据目标的潜在区域的搜索结果，对目标潜在区域中是否真实含有目标进行检测和确认；

S6、目标识别：通过挖掘出具有较强目标类型辨识能力的目标局部组件进行目标类型的识别。

2.根据权利要求1所述的基于无人机的目标检测识别方法，其特征在于，所述步骤S2中，对于通过无人机拍摄的待检测目标的单帧图像基于Retinex算法进行图像增强处理，具体步骤如下：

A)建立Retinex算法模型：

S(x,y)＝R(x,y)L(x,y) (1)

其中，S(x,y)表示观测到的图像，R(x,y)表示物体反射分量，L(x,y)表示入射亮度分量；

B)通过如下公式，计算入射亮度分量L(x,y)：

L(x,y)＝S(x,y)*G(x,y) (2)

式中，*表示卷积操作，G(x,y)表示高斯函数，其表达式为：

G(x,y)＝k·exp(-x²+y²σ²) (3)

其中，σ是高斯函数尺度参数，k为归一化因子；

C)通过如下公式，对不同尺度进行加权求和：

log(R(x,y))＝weight1·log(R_σ1(x,y))+weight2·log(R_σ2(x,y))+weight3·log(R_σ3(x,y))(4)

式中，weight1、weight2、weight3分别表示每个尺度对应的权重，且三者之和等于1，R_σ1(x,y)、R_σ2(x,y)、R_σ3(x,y)分别表示Retinex算法输出；

D)通过如下公式进行色彩恢复：

RMSRCR(x,y)＝C(x,y)RMSR(x,y) (5)

式中，RMSRCR(x,y)表示带颜色恢复的多尺度Retinex，RMSR(x,y)表示多尺度Retinex，C(x,y)表示某个通道的色彩回复因子，用于调节3个通道颜色的比例，且C(x,y)通过如下公式表达：

C(x,y)＝G{log[αI_c(x,y)]-log[∑c＝13I_c(x,y)]} (6)

其中，G表示增益Gain，α表示受控制的非线性强度，I_c(x,y)表示某个通道的图像，log[αI_c(x,y)]表示对所有通道乘以调节因子取对数，log[∑c＝13I_c(x,y)]表示对所有通道求和取对数；

E)RMSRCR(x,y)量化为0到255范围并输出，实现图像增强。

3.根据权利要求2所述的基于无人机的目标检测识别方法，其特征在于，将所述的基于无人机的目标检测识别方法应用于雨天，所述步骤S2中，对于通过无人机拍摄的待检测目标的选定视频基于深度学习或神经网络进行图像增强处理，具体步骤为：

1)建立降雨模型：

式中，B表示原图，O表示带雨的图片，t表示雨滴的方向，表示叠加的雨滴方向，R表示含雨滴范围的一个二进制掩码，用于反映雨滴存在的区域，β表示大气光照系数，A表示对雨雾进行建模；

2)训练时，神经网络通过使用多分支的扩张卷积网络来扩大感受域，获得更多的视频上下文信息；

3)在得到特征F后，网络级联地预测叠加的雨滴方向和反映雨滴存在的区域R；

4)提供联合的损失函数，在测试时，使用得到叠加的雨滴方向和反映雨滴存在的区域R，按步骤1)中的降雨模型进行去雨处理；

5)使用频域变换，分离图像中的低频部分和高频部分，只对高频部分做去雨操作，得到去雨雾化图像。