[发明专利]基于卷积神经网络的低空小飞行物检测方法

权利要求书

1.一种基于卷积神经网络的低空小飞行物检测方法，其特征在于：该方法包括以下步骤：

步骤1：首先对所有的数据样本图片重新进行尺寸的调整，将图像缩放成固定大小，即800×600，模型将图片数据集送入特征提取网络Resnet50，经过卷积层、池化层的一系列操作运算，输出特征图；

步骤2：将特征图传入区域候选网络，在区域候选网络中利用k-means聚类算法对数据样本集中的真实框的尺寸进行聚类；

步骤3：对聚类后的锚框尺寸进行线性缩放处理，然后在区域候选网络中进行正负样本的划分和对锚框位置的修正，区域候选网络将正负样本得分和锚框的坐标参数分别通过两个全连接层，第一个全连接层用来生成这些锚框的目标概率，产生正样本的得分和负样本的得分，第二个全连接层用来编码每个锚框的四个坐标值，即计算锚框的偏置量，使得候选框更接近真实框，最终计算出候选区域；

步骤4：在计算出候选区域之后，利用soft-nms算法对锚框置信度进行优化，优化锚框的数量，降低重合锚框的权重，将优化后的候选区域传入ROI Align层；

步骤5：ROIAlign层将不同尺寸的候选区域进行固定，将候选区域映射回原图中，通过全连接层对低空小飞行物进行最后的结果预测。

2.根据权利要求1所述的基于卷积神经网络的低空小飞行物检测方法，其特征在于：所述步骤2的k-means聚类算法的计算中引入IoU值，定义距离d来表示误差，d的计算公式如(3)所示：

d＝1-IoU (3)

其中，IoU(Intersection over Union)是衡量两个锚框之间的重合度，计算锚框之间的交并比得到的，在聚类算法中IoU指的是每个聚类中心与其它的框的重合程度；

经过聚类运算，得到9种锚框的[宽,长]尺寸为：{[9.36,9.24]、[14,17.81]、[16.9,27.82]、[21.97,38.39]、[26.61,22.68]、[30.16,54.87]、[34.53,33.73]、[46.17,48.92]、[63.41,83.76]}。

3.根据权利要求2所述的基于卷积神经网络的低空小飞行物检测方法，其特征在于：所述步骤3中对聚类后的锚框尺寸进行线性缩放处理的计算过程如公式(4)～(7)所示：

x′₁＝αx₁ (4)

x′₉＝βx₉ (5)

其中，x_a、y_a为第a个锚框的宽和长，x′_a、y′_a为第a个锚框缩放后的宽和长，a＝1,2,…,9；α、β为常量，分别取0.5和1.5。

4.根据权利要求3所述的基于卷积神经网络的低空小飞行物检测方法，其特征在于：所述soft-nms算法利用高斯权重函数筛选冗余的锚框，具体如公式(8)所示：

其中，M为当前得分最高框，b_i为待处理框，s_i为b_i的得分，σ为超参数；

通过对比待检测物的IOU值，保留置信度最大的锚框。

5.根据权利要求2所述的基于卷积神经网络的低空小飞行物检测方法，其特征在于：所述步骤5中ROI Align层将不同尺寸的候选区域进行固定时，对每一个候选区域，对应缩放后保留浮点数，然后均匀划分成四个小区域，在每一个小区域内利用线性内插算法进行像素值提取；ROIAlign的反向传播公式如公式(9)所示：

式中，x_i代表池化前特征图上的第i个像素点；y_rj代表池化后的第r个候选区域的第j个点，d(.)为池化前特征图上的像素点；Δh为x_i与x_i*(r，j)横坐标的差值；Δw为x_i与x_i*(r，j)纵坐标的差值，x_i*(r，j)是一个浮点数的坐标位置，即前向传播时计算出来的采样点；

在反向传播的过程中，ROI Align不再只针对某一个点的像素值，它是针对某一个范围之内的像素值，利用映射到特征图中的浮点坐标作为圆心，将半径为1的圆内所有特征点全部回传，即每一个与x_i*(r，j)横纵坐标均小于1的点。