[发明专利]一种融合导航信息的目标识别定位方法

说明书

本发明公开了一种融合导航信息的目标识别定位方法，所述方法包括通过结合飞行器高度计给出的高度信息，获得目标在视场中最大像素，将全局随机anchor问题优化为小尺度范围内随机anchor，提高了检测的效率；同时，通过导航设备可以解算得到目标的实际位置。本发明提供的融合导航信息的目标识别定位方法，能够实现对地面目标的快速、精确定位，检测效率提高76.2％。

技术领域

本发明涉及计算机视觉和遥感目标检测技术领域，具体涉及一种融合导航信息的目标识别定位方法。

背景技术

在飞行器对遥感目标检测领域，随着目标检测场景的不断复杂变化，传统图像处理的目标检测算法运算量越来越大，逐渐不能满足要求。近年来，机器学习发展迅速，机器视觉和机器学习想结合越来越成为一种发展趋势。在卷积神经网络出现之后，目标检测速度和准确度都有了很大提升，如基于深度学习的YOLO算法和SSD算法，该类算法采用直接回归的思想，利用卷积网络直接输出目标位置信息和类别信息，同时输出目标置信度评分，其优势是检测速度非常快，检测精度也较之前有很大提升。基于深度学习的目标检测R-CNN系列算法使得检测精度又得到了进一步的提升，但由于引入较大计算量，检测实时性不如YOLO算法和SSD算法。目前，YOLOv3系列算法是权衡检测速度和检测精度两个性能后的折中选择。

影响卷积神经网络检测算法速度的一个重要因素为卷积网络中anchor(锚)的尺寸设置问题，研究者为了特定的检测目标和检测性能，需设置不同的anchor尺寸，而设置anchor尺寸的依据又各自不同，如逐步减小anchor尺寸或通过随机实验确定效果最好的anchor尺寸等。

但是，在实际检测过程中，训练阶段如果采用网络模型中原有的anchor设置，会导致检测速度和检测精度均不够好；如果根据训练数据集逐步减小anchor尺寸，运算量较大；通过随机实验确定训练阶段的anchor，会具有一定的偶然性和特殊性，导致检测算法泛化能力较低。

因此，如何设置anchor以及如何获得设置anchor的根据是优化检测效果的关键，亟需提供一种优化检测效果的方法，以提高飞行器对遥感目标的检测性能。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出一种融合导航信息的目标识别定位方法，该方法通过结合飞行器高度计给出的高度信息，获得得到目标在视场中最大像素，将全局随机anchor问题优化为小尺度范围内随机anchor，提高了检测的效率；同时，通过导航设备可以解算得到目标的实际位置，可以实现对地面目标的快速、精确定位，从而完成了本发明。

具体来说，本发明的目的在于提供以下方面：

第一方面，提供一种融合导航信息的目标识别定位方法，所述方法包括以下步骤：

步骤1，训练获得目标检测网络；

步骤2，获得待检测图像；

步骤3，对待检测图像进行目标检测；

步骤4，对目标进行定位。

其中，步骤1包括以下子步骤：

步骤1-1，对训练数据集进行标注；

步骤1-2，构建检测网络；

步骤1-3，对网络的anchor尺度进行修改；

步骤1-4，训练网络至收敛。

其中，步骤1-3中，根据训练集的目标尺度范围修改网络不同特征层的anchor尺度，优选通过下式获得：