[发明专利]一种无人机图像实时目标检测方法

说明书

本发明提出一种基于条形池化的无人机图像实时目标检测方法，通过引入条形池化思想，并设计条形瓶颈层，构成主干网络和特征提取网络的基础组成模块，可改善长宽比不平衡的无人机图像目标检测精度。通过将特征提取网络PANet的融合方式改进为空间特征向量不变的，以更好的保留目标高低层特征信息，适应尺度变化大的无人机图像目标的检测；额外增加一个检测头负责极密集的小目标的检测。上述措施可显著提升无人机图像目标检测的精度。同时，本发明是在轻量级网络YOLOV5基础上，针对无人机图像中的目标尺度变化大、长宽比不平衡和小目标密集分布的特点而设计的，因此，可以在有效提升目标检测精度的情况下，实现实时快速检测。

技术领域

本发明属于计算机视觉、图像处理、模式识别领域。具体涉及基于无人机图像的实时目标检测方法。

背景技术

目标检测是计算机视觉领域的最重要的应用之一，已被广泛应用到了行人检测、疾病诊断、交通追踪及遥感图像目标检测等领域。近年来，由于无人机获取图像的便捷性和多角度特性，利用无人机拍摄的图像，对感兴趣目标进行检测，用于城市及交通管理，已经成为智慧城市建设的重要内容。

目前基于深度学习的目标检测方法已经得到广泛应用。与自然图像相比较，对无人机从高空获取的图像进行目标检测存在以下特点：

1)尺度变化大，由于视角视距的不同，同一类物体的变化可能存在非常大的差距。

2)长宽比不平衡，由于是从高空俯视进行观测，一些待检测物体的长宽比非常大，即从图像上观察是很狭长的目标。

3)目标密集分布，城市中的人流量和车流量较大，拍摄的图像中含有较多的待检测目标。

现有基于深度学习的目标检测方法通常网络模型较为复杂，对于资源要求较高，对实时性要求很高的无人机图像目标检测不理想。因此，在保证合理目标检测精度的情况下，根据检测对象的特点，设计高效的无人机图像实时目标检测模型，是目前基于无人机图像的目标检测实际应用的瓶颈。

发明内容

针对现有技术存在的上述问题，本发明提供一种实时、高效的无人机图像实时目标检测方法，设计一种基于条形池化的无人机图像实时目标检测网络，针对无人机图像中目标的特点，设计轻量级目标检测网络，实现检测精度和速度的平衡。

为实现上述目的，本发明采用以下技术方案：

一种基于条形池化的无人机图像实时目标检测方法，其包含以下步骤：

步骤1，数据集准备，对无人机图像进行旋转、平移、缩放和混合等数据增强操作，增加数据量。

步骤2，设计目标检测网络：采用YOLOV5作为基础网络，设计基于条形池化的无人机图像实时目标检测网络，目标检测网络结构分为三个部分，分别为主干网络、特征提取网络和检测头部；包括以下几个部分：

以条形池化瓶颈层为基础模块构建所述主干网络和特征提取网络，所述条形池化瓶颈层包含一个经典的残差卷积块和条形池化层。

在特征网络层处设计路径聚合网络(Path Aggregation Network，PANet)特征增强网络，通过改变特征提取网络PANet的特征融合方式，采用自顶向上和横向连接的融合方式，将低层特征传回到高层特征处，与后者做融合处理，保留待检测无人机图像目标的低层纹理特征和高层语义信息。

增加一个检测头部，构成四个检测头部，由这个增加的检测头部负责极小目标的检测任务。

步骤3：将测试的无人机图像输入到步骤2的目标检测网络中，得到检测结果。

优选地，所述条形池化层的构建方式如下：

(1)池化操作

池化操作被分成垂直池化和水平池化，输出分别为