[发明专利]基于双级联深度网络的无人机多特征点检测方法及装置

权利要求书

1.一种基于双级联深度网络的无人机多特征点检测方法，其特征在于，包括：

在采集的每一无人机图像中对无人机的多个特征区域进行类别及边界框标注，得到对应的训练图像；

将每一所述训练图像输入预先构建的边界框定位网络进行训练，使所述边界框定位网络输出多个特征区域预测框；所述将每一所述训练图像输入预先构建的边界框定位网络进行训练，使所述边界框定位网络输出多个特征区域预测框，具体为：构建所述边界框定位网络，将一所述训练图像输入所述边界框定位网络进行训练，使所述边界框定位网络输出多个所述特征区域预测框；其中，所述特征区域预测框包括无人机机体、左机翼、右机翼、左尾翼、右尾翼、中脚架区域预测框；根据所述边界框定位网络的网络损失反向更新所述边界框定位网络的网络参数，并在所述边界框定位网络的网络损失小于第一预设阈值时结束训练所述边界框定位网络，否则继续将下一所述训练图像输入所述边界框定位网络进行训练；

根据每一所述特征区域预测框提取对应的感兴趣区域，将所有所述感兴趣区域输入预先构建的特征点回归网络进行训练；所述根据每一所述特征区域预测框提取对应的感兴趣区域，具体为：基于所述特征区域预测框的中心点提取预设尺寸的图像区域，将所述图像区域作为对应的所述感兴趣区域；所述将所有所述感兴趣区域输入预先构建的特征点回归网络进行训练，具体为：构建所述特征点回归网络，将一所述训练图像对应的所有所述感兴趣区域输入所述特征点回归网络进行训练；根据所述特征点回归网络的网络损失反向更新所述特征点回归网络的网络参数，并在所述特征点回归网络的网络损失小于第二预设阈值时结束训练所述特征点回归网络，否则将下一所述训练图像对应的所有所述感兴趣区域输入所述特征点回归网络进行训练；

通过由训练后的所述边界框定位网络和所述特征点回归网络组成的双级联深度网络对待检测图像进行多特征点检测，得到多个特征点坐标。

2.如权利要求1所述的基于双级联深度网络的无人机多特征点检测方法，其特征在于，所述在采集的每一无人机图像中对无人机的多个特征区域进行类别及边界框标注，得到对应的训练图像，具体为：

采集所述无人机图像，并通过边界框标注工具在每一所述无人机图像中对无人机的多个特征区域进行类别及边界框标注，得到对应的所述训练图像；其中，所述特征区域包括无人机机体、左机翼、右机翼、左尾翼、右尾翼、中脚架区域。

3.一种基于双级联深度网络的无人机多特征点检测装置，其特征在于，包括：

训练图像获取模块，用于在采集的每一无人机图像中对无人机的多个特征区域进行类别及边界框标注，得到对应的训练图像；

边界框定位网络训练模块，用于将每一所述训练图像输入预先构建的边界框定位网络进行训练，使所述边界框定位网络输出多个特征区域预测框；具体用于：构建所述边界框定位网络，将一所述训练图像输入所述边界框定位网络进行训练，使所述边界框定位网络输出多个所述特征区域预测框；其中，所述特征区域预测框包括无人机机体、左机翼、右机翼、左尾翼、右尾翼、中脚架区域预测框；根据所述边界框定位网络的网络损失反向更新所述边界框定位网络的网络参数，并在所述边界框定位网络的网络损失小于第一预设阈值时结束训练所述边界框定位网络，否则继续将下一所述训练图像输入所述边界框定位网络进行训练；

特征点回归网络训练模块，用于根据每一所述特征区域预测框提取对应的感兴趣区域，将所有所述感兴趣区域输入预先构建的特征点回归网络进行训练；具体用于：基于所述特征区域预测框的中心点提取预设尺寸的图像区域，将所述图像区域作为对应的所述感兴趣区域；构建所述特征点回归网络，将一所述训练图像对应的所有所述感兴趣区域输入所述特征点回归网络进行训练；根据所述特征点回归网络的网络损失反向更新所述特征点回归网络的网络参数，并在所述特征点回归网络的网络损失小于第二预设阈值时结束训练所述特征点回归网络，否则将下一所述训练图像对应的所有所述感兴趣区域输入所述特征点回归网络进行训练；

多特征点检测模块，用于通过由训练后的所述边界框定位网络和所述特征点回归网络组成的双级联深度网络对待检测图像进行多特征点检测，得到多个特征点坐标。

4.如权利要求3所述的基于双级联深度网络的无人机多特征点检测装置，其特征在于，所述在采集的每一无人机图像中对无人机的多个特征区域进行类别及边界框标注，得到对应的训练图像，具体为：

采集所述无人机图像，并通过边界框标注工具在每一所述无人机图像中对无人机的多个特征区域进行类别及边界框标注，得到对应的所述训练图像；其中，所述特征区域包括无人机机体、左机翼、右机翼、左尾翼、右尾翼、中脚架区域。