[发明专利]一种基于自适应模型集成的无人机航拍图像目标检测方法

说明书

本发明公开了一种基于自适应模型集成的无人机航拍图像目标检测方法，属于航拍图像目标检测领域；首先、训练m个子模型，对无人机在不同高度下日间与夜间分别拍摄的样本进行标注；针对每个高度，利用目标标注的边框面积平均值作为高度指标；同时，对图像coco测评得到测评表；接着，实际固定作业，将拍摄图片分别送入各子模型中，利用所有目标的边框面积平均值，与高度指标进行相似度比较，找到作业条件中的高度值；同时，通过对图片像素点的灰度值进行判断，得到各图片的明暗标志，对应为作业条件中的日夜间条件；最后，通过对各个模型融合权重，分别计算各目标的置信度及对边框进行修正，实现目标检测。本发明计算量小、普适性好，适用于大部分场景。

技术领域

本发明属于无人机航拍图像目标检测领域，具体是一种基于自适应模型集成的无人机航拍图像目标检测方法，用于对无人机航拍图像进行分析检测。

背景技术

随着无人机技术的快速发展，配备摄像头的无人机已经可以快速部署；基于无人机航拍图像下的目标检测是计算机视觉领域中十分前沿的研究课题，由此衍生出的相关技术可以应用于农业、快递、公共安全监控和航空摄影等各个领域。

在传统的计算机视觉领域，多数基于手动提取特征加上分类器的目标检测算法已无法满足使用中人们对检测精度的要求。近几年深度学习技术包括目标检测、语义分割、实例分割等多项计算机视觉领域都取得了十分惊艳的效果，但深度学习方法结合无人机航拍图像也面临诸多挑战：无人机航拍图像相较于通用数据集图像有背景样本复杂、分辨率高、物体尺度变化大以及目标分布密集等特点，因此会影响检测器的精度；而且受到无人机飞行高度以及作业天气等影响，单一模型的性能会随着外部作业条件产生明显的波动。

发明内容

本发明针对上述问题，提出了一种基于自适应模型集成的无人机航拍图像目标检测方法，利用数个深度学习目标检测模型进行集成，依据对应的数个结果，按照模型性能对边框与分数阈值进行修正，从而达到全天候全作业天气条件下，精确检测无人机航拍图像目标的目的。

所述的基于自适应模型集成的无人机航拍图像目标检测方法，具体步骤如下：

步骤一、利用目标检测技术，对特征提取网络进行训练，得到符合不同限制条件的m个检测子模型；

限制条件包括：天气条件，模型差异性，以及对大中小目标不同的敏感度等；

m大于等于2；

步骤二、无人机在同一个高度下分别进行日间作业与夜间作业的拍摄，将n个不同高度下拍摄的所有帧图像都进行标注，总共得到2*n组图像集；

标注是指：每帧图像中都包括若干目标，每个目标都分别利用边框进行标注；

2*n组图像集为A＝{A₁,A₁',A₂,A₂',...,A_n,A_n'}；A_n为第n个高度下日间作业拍摄的所有帧图像的集合；A_n'为第n个高度下夜间作业拍摄的所有帧图像的集合；

步骤三、针对每个高度，将该高度对应的2组图像集中所有目标标注的边框面积，取平均值作为该高度下对应的高度指标，共得到n个高度指标；

高度指标集合为：R＝{R₁,R₂,…,R_n}；

步骤四、将2*n组带有标注信息的图像集，分别输入每个子模型进行coco测评指标的测试，得到测评表；

测评表中每个模型下，每个高度对应的日间作业或夜间作业的n组标注图像分别作为一个数据集，同一个高度下两个数据集分别对应各自的测评分数；测评分数为0到1之间的数。