[发明专利]一种基于无锚点级联检测的无人机图像车辆目标识别方法

说明书

本发明公开了一种基于无锚点级联检测的无人机图像车辆目标识别方法。首先使用Resnet50对输入的图像的进行多尺度特征提取，得到自下而上的多个特征；然后对高层的特征进行上采样，并与低层特征相融合以获得融合后的特征；将输出的不同尺度的特征划分成小特征图和大特征图两类，分别用于检测小目标与大目标；在检测过程中结合无锚点的方法，先对高层的特征图进行检测，得到粗略的检测结果，再将此结果输入到低层，在高层的检测结果之上进行进一步的检测，最终得到一个较为精确的检测结果。本发明改善目标检测的漏检率和误检率，减少了不必要的计算，大大提高检测的速度。

技术领域

本发明属于深度学习的图像处理领域，具体来讲，涉及一种基于无锚点级联检测的机载车辆目标检测方法。

背景技术

近年来，随着无人机技术的不断发展，近年来，随着无人机技术的逐步进步，民用无人机已经广泛应用于现实生活的世界，包括高速公路巡查、交通违章抓拍、交通流量监测、交通应急指挥以及交通事故侦查取证等。作为获取图像信息的有效工具，无人机平台具有视野广阔、灵活方便、角度多样等优势。因此对无人机拍摄的图像中的车辆进行目标检测，逐渐成为目标检测领域的研究热点。

随着技术的发展，基于深度学习的方法逐渐为人们广泛地使用，在无人机图像目标检测领域，也有越来越多的基于深度学习的方法被提出。这些方法可以被分成基于锚点的方法(anchor based)和基于无锚点的方法(anchor free)。基于锚点的方法在特征图上生成多个大小比例不同的锚框，对锚框进行分类回归。但这种方法计算复杂，需要手动去设计锚框大小，对不同数据集也需要不同的设计，另外锚框数量庞大，导致正负样本不平衡，通用性不高，不适合用于无人机图像。基于无锚点的方法不依赖预先定义的锚框，对特征图中的每个位置对应的原图边框进行回归，避免了复杂运算，更适用于无人机平台。

然而无人机图片中车辆目标检测存在目标尺度差异较大的问题，由于飞行高度不固定，导致拍摄的图像中同一类车辆在不同图片中的尺度不同，不同类别的车辆间的大小相差较大，目标多尺度并存如，导致漏检率高。此外，由于无人机拍摄高度较高，导致拍摄图片中的车辆目标小，小目标分辨率低，特征少，导致误检率高。

发明内容

针对现有技术中存在的不足，本发明提供了一种基于无锚点级联检测的无人机图像车辆目标识别方法。该方法首先使用Resnet50对输入的图像的进行多尺度特征提取，得到自下而上的多个特征；然后对高层的特征进行上采样，并与低层特征相融合以获得融合后的特征；将输出的不同尺度的特征划分成小特征图和大特征图两类，分别用于检测小目标与大目标；在检测过程中结合无锚点的方法，先对高层的特征图进行检测，得到粗略的检测结果，再将此结果输入到低层，在高层的检测结果之上进行进一步的检测，最终得到一个较为精确的检测结果。

一种基于无锚点级联检测的无人机图像车辆目标识别方法，包括以下步骤：

S1：选取数据集。

采用现有的UAVDT数据集作为本方法的数据集，对模型进行训练。

S2：采用Resnet50对输入的原始图片进行特征提取，获得多尺度的特征图。

S3：依次将S2中输出的高层特征图进行两倍上采样，并与S2中的低层特征图相加，得到融合后的特征图。为了使后续的检测模块能够拥有更多尺度的特征，将融合后的特征图中的最上层特征图进行连续两倍下采样，得到扩展的两层特征图。最后得到一个自顶向下的金字塔结构的多尺度融合后的特征图。

S4：对S3处理后的特征图进行级联检测。