[发明专利]一种空中高动态小目标检测方法及系统

说明书

一种空中高动态小目标检测方法及系统，涉及目标检测技术领域，用以解决现有技术对于高动态小目标检测效率和精度低的问题。本发明的技术要点包括：利用基于YOLOv3算法的全局目标检测模型对多个连续视频帧图像中的首帧图像进行全局目标检测；对首帧图像后面连续的多个视频帧图像进行裁剪；将裁剪获得的包含运动目标的局部图像输入基于改进YOLOv3‑tiny算法的局部目标检测模型进行局部目标检测，获得局部图像中运动目标局部像素坐标；将局部图像中运动目标局部像素坐标进行转换处理，获得运动目标的实际位置。本发明减小了检测计算量，提高了算法速度，实现了高动态环境下小目标的精确检测。本发明可应用于小目标检测场景且适用于移动平台以达到实时检测帧率。

技术领域

本发明涉及目标检测技术领域，具体涉及一种空中高动态小目标检测方法及系统。

背景技术

动态目标检测已经发展了多年，其中应用最广泛的方法是利用帧间像素变化的特性提取动态目标，该技术已经应用于大量的固定基目标检测器中。随着无人机的发展，动基座上的目标检测逐渐成为目标检测领域的一大难点。例如，虽然无人机视觉系统中的行人和车辆检测算法很多，但对无人机高动态目标检测的研究却很少。

无人机避障和目标连续锁定是当前机载视觉系统的主要要求。由于无人机的高度限制，目标通常距离较远，成像结果较小。小目标检测是目标检测领域的另一大难点，它需要从背景像素占很大比例的图像中定位目标。目标检测技术已经从传统的手工特征发展到基于深度卷积神经网络的特征提取，大大提高了检测效率和速度。现有的检测框架中存在大量的下采样，因此除了目标与背景之间的不平衡外，与目标匹配的锚的质量非常低。应用最为广泛的RCNN系列检测器对小目标有更好的检测效果，但其运行速度较慢；YOLO系列检测器运行虽然高速但对小目标检测精度有限。此外，现有的小目标检测大多基于单个图像，很少考虑多帧视频流之间目标的连续性和约束。

目标跟踪领域早期的研究工作主要集中于生成式模型跟踪算法的研究，如Meanshift算法、Camshift算法等，此类方法首先建立目标模型或者提取目标特征，在后续帧中进行相似特征搜索，逐步迭代实现目标定位。判别式模型跟踪算法的研究，将目标模型和背景信息同时考虑在内，通过对比目标模型和背景信息的差异，将目标模型提取出来，从而得到当前帧中的目标位置。但是，跟踪算法利用的是图像连续帧间的相似性质，容易受到目标形变及环境变化的干扰；且需要人工手动标注初始目标框，才能进行后续跟踪，导致跟踪效率较低。

发明内容

鉴于以上问题，本发明提出一种空中高动态小目标检测方法及系统，用以解决现有技术对于高动态小目标检测效率和精度低的问题。

根据本发明一方面，提出一种空中高动态小目标检测方法，该方法包括以下步骤：

步骤一、实时获取包含运动目标的多个连续视频帧图像；

步骤二、利用预训练的基于YOLOv3算法的全局目标检测模型对多个连续视频帧图像中的首帧图像进行全局目标检测，获得首帧图像中运动目标全局像素坐标；

步骤三、基于首帧图像中运动目标全局像素坐标和运动目标在连续视频帧图像之间的连续性，对首帧图像后面连续的多个视频帧图像进行裁剪，获得多个包含运动目标的局部图像；

步骤四、将多个包含运动目标的局部图像输入预训练的基于改进YOLOv3-tiny算法的局部目标检测模型进行局部目标检测，实时获得局部图像中运动目标局部像素坐标；

步骤五、将局部图像中运动目标局部像素坐标进行转换处理，获得其对应的运动目标全局像素坐标；

步骤六、根据像素坐标系和世界坐标系的转换关系、运动目标全局像素坐标，计算获得运动目标的实际位置。

进一步地，步骤三中对首帧图像后面连续的多个视频帧图像进行裁剪的过程包括：