[发明专利]一种用于小型无人机竞速比赛的目标门检测方法

权利要求书

1.一种用于小型无人机竞速比赛的目标门检测方法，其特征在于，步骤如下：

步骤一、深度学习网络的构建

深度学习网络包括特征提取模块和关键点预测模块；特征提取模块包括33个卷积层，分为16个3*3的组卷积和17个卷积；其中，1个组卷积与1个卷积组成1个深度可分离卷积模块；剩余1个单一的卷积用于对输入图像进行滤波；深度可分离卷积模块中第一层使用3*3的组卷积进行空间特征的提取，第二层使用1*1的卷积将特征图恢复到相应大小；整个特征提取模块输出的特征图大小是输入图像尺寸的1/4；同时，在每组深度可分离卷积结束之后，使用通道混洗的方法，将输出特征图的各个通道重新排列，从而让各个组卷积之间学习到不同通道的特征；

关键点预测模块采用1个卷积层对网络提取的特征进行关键点的预测；该卷积层的输入与特征提取模块的输出一致，该卷积层的输出的通道数与关键点的数量一致；关键点预测模块输出一个多通道的热力图，热力图的某个通道与目标门上某个关键点相对应；找到预测图中每个通道最大值的索引，就能映射出每个关键点在图像中的位置；

步骤二、训练数据集的构建

从各个角度采集待检测的目标门数据，数据需要覆盖真实场景中的各种情况；对于采集好的目标门数据，对图像中目标门的拐角处关键点进行标注；

步骤三、深度学习网络的训练

深度学习网络的训练包括训练数据的处理和模型优化；训练数据的处理是对于一张图片随机进行裁剪、旋转、镜像和图片模糊，模型优化是在训练过程中同时随机加入不包含目标门的图片作为负样本训练数据，增加网络对图像背景信息干扰的适应能力，从而抑制网络的误检；

步骤四、网络的推理预测

首先使用阈值对网络的预测图进行过滤，即高于阈值的网络输出值进行保留，低于阈值的网络输出值设置为0；然后对于过滤后的预测图，获取每个通道的峰值点的位置作为该通道对应的关键点的具体位置，当该通道的峰值为0时，则认为相应关键点不存在。

2.根据权利要求1所述的一种用于小型无人机竞速比赛的目标门检测方法，其特征在于，所述步骤二中，对于每个关键点，生成一张对应的热力图；热力图的生成使用高斯核函数f(x)，具体公式如下：

其中dx表示标记中心到圆内某点的x方向的差值，dy表示标记中心到圆内某点的y方向的差值，δ为归一化因子，r表示设置的高斯核半径；从上式可以得到，离标记中心越近响应值越大，超过设置的高斯核半径，响应值为0；对于目标门拐角处的关键点，将构成一幅n通道的真值热力图，n为目标门拐角处关键点的总数，某个通道对应某个关键点，用于监督网络的训练。

3.根据权利要求1或2所述的一种用于小型无人机竞速比赛的目标门检测方法，其特征在于，所述步骤三中，训练过程使用Adam优化器，通过对梯度的一阶矩和二阶矩进行综合估计，对网络进行优化；优化的目标函数为均方误差MSE，网络预测的通道图和真值热力图逐像素进行误差的计算，再除以总像素个数，MSE的计算方式具体如下所示：

其中x_i是网络预测值，y_i是真值标签，m为预测的像素总数；使用标准正态分布初始化参数；每一个训练轮次完成之后，在验证集上对模型的进行评估，保留训练过程中验证精度最高的模型。

4.根据权利要求1或2所述的一种用于小型无人机竞速比赛的目标门检测方法，其特征在于，所述步骤四中，关键点检测的评估方法：di为每个关键点对应真实值和预测值的欧式距离；

其中x_i为真值关键点的x坐标，y_i为真值关键点的y坐标；其中为预测关键点的x坐标，为预测关键点的y坐标；当距离di小于设定阈值μ，认为预测值正确；

通过对关键点的预测正确数量的统计，能够得到模型预测的平均精度。

5.根据权利要求3所述的一种用于小型无人机竞速比赛的目标门检测方法，其特征在于，所述步骤四中，关键点检测的评估方法：di为每个关键点对应真实值和预测值的欧式距离；

其中x_i为真值关键点的x坐标，y_i为真值关键点的y坐标；其中为预测关键点的x坐标，为预测关键点的y坐标；当距离di小于设定阈值μ，认为预测值正确；

通过对关键点的预测正确数量的统计，能够得到模型预测的平均精度。