[发明专利]一种基于飞机3d模型的飞机检测方法

说明书

本发明公开了一种基于飞机3d模型的飞机检测方法，具体涉及图像处理技术领域，包括以下步骤：步骤一：打开飞机3d模型，得到不同角度、带飞机掩码的飞机本体截图；步骤二：生成逼真飞机图片；将背景图片统一设置为固定大小。本发明由于生成数据中飞机的角度极其多样，远远多于摄像头可以采集的角度，深度学习模型学到了更加准确的飞机特征，所以误报率较低，由于生成飞机图片逼真，背景极其多样，深度学习模型能够更准确地避免背景特征的干扰，所以漏报率更低，训练数据在各方面的多样性，使得深度学习模型无论应用于什么场景，都会取得较好效果，鲁棒性、泛化性更好。

技术领域

本发明涉及图像处理技术领域，更具体地说，本发明涉及一种基于飞机3d模型的飞机检测方法。

背景技术

由于深度学习的发展，近年来人工智能在各个领域的落地产品如雨后春笋般，在机场航班管理领域，随着民航局鼓励千万级以上机场推行A-CDM系统，要求各方将飞机到位/离位的时间节点录入系统，为了改变前期人工录入低效、误差大、不及时等痛点，有机场开始利用基于深度学习的飞机检测方法实现自动化录入飞机到位/离位时间。

目前的技术现状是：

一、深度学习是一项严重依赖海量数据的技术，互联网上开源的飞机检测数据少之又少，只能用于学术展示，如果直接应用于机场流媒体实时检测飞机，那么基本不会检测到飞机，因为现实中的飞机角度、环境背景、天气、摄像头成像质量等都是千变万化的；而且飞机长长的机翼使得框中的背景占了很大的比例，导致背景对飞机检测的影响较大，所以少量的数据提取的特征无法覆盖真实场景。

二、当前有些机场已经使用的飞机检测技术，主要是先采集该机场所有摄像头、时长数月的监控视频数据，抽帧得到数百万的图片，再由人工标注每张图片中的所有飞机的框信息，接着输入到深度学习模型训练，得到用于生产的模型，弊端一：此方法的经济成本毫无疑问是巨大的，业内标注这种框的速度是300张/人/天(8小时)；弊端二：这种开发模式得到的飞机检测模型只能应用于该机场已有的摄像头中，一旦摄像头变动较大、添加新摄像头、或是用于其他机场，还是会出现严重漏检的情况；某个机场即使有上千个摄像头，但每个摄像头场景固定、飞机运行轨迹固定、飞机角度固定，所以基于该机场数据训练得到的深度学习模型还是不具备足够的泛化性和鲁棒性。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

为了解决采集数据中飞机角度和场景多样性不足的问题，本发明提供一种基于飞机3d模型的飞机检测方法，利用飞机3d模型无限生成各种天气情况下、逼真飞机图片，同时得到每张图片中飞机的框信息。

为实现上述目的，本发明提供如下技术方案：一种基于飞机3d模型的飞机检测方法，包括以下步骤：

步骤一：打开飞机3d模型，得到不同角度、带飞机掩码的飞机本体截图；

步骤二：生成逼真飞机图片；将背景图片统一设置为固定大小，然后随机选取图片范围内的一个点，作为飞机粘贴的左上角，选择一张带掩码的飞机截图，根据掩码得到飞机的外接矩形，再根据外接矩形抠取飞机，接着对飞机设置一个大小，最后使用PIL库的paste函数，根据飞机截图的掩码，将飞机粘贴到背景图片选取的点上，得到逼真飞机图片的同时，生成图片中飞机的框信息；

步骤三：步骤二中生成的飞机图片和其对应的框信息，与真实应用场景的飞机和框信息，构成了深度学习的训练集，并程序化地生成飞机数据，再加上真实应用场景的数据，可以得到可用于飞机检测训练的数据；

步骤四：模拟各种天气状况下的飞机图片，取一张训练集中的图片，再取一张黑夜、雨雪等天气的图片并保存为与训练集中图片相同的分辨率，两张图片按1比1的权重相加，也就是两张图片相同位置上的像素，分别成乘以0.5，然后相加，就得到模拟图片，按照此流程生成的模拟图片，再对应上飞机框信息，就可以加入到训练集中；