[发明专利]基于卷积神经网络的低空小飞行物检测方法

说明书

本发明提供一种基于卷积神经网络的低空小飞行物检测方法，涉及目标检测技术领域。本发明的方法分别从提高模型获取小目标语义信息的能力以及模型对候选框的准确定位这两个角度进行优化和改进。通过改进特征提取网络的结构，采用跳跃链接的残差结构来提高模型对小目标的敏感程度；在后处理部分，利用soft‑nms去优化冗余锚框，提高模型在待检测物密集出现情况下的准确率；在锚框的生成上，采用ROI Align，用线性内插算法替换原本的两次取整操作，提高模型对低空小目标检测的位置精度，使卷积神经网络模型能够精确检测低空小飞行物。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于卷积神经网络的低空小飞行物检测方法。

背景技术

无人机是一种利用无线电遥控的不载人飞行器。随着低空空域逐渐开放，各类飞行器也逐渐进入大众视野之内。凭借其造价低廉、功能完善等优点，无人机可满足多数领域的作业需求，例如：军事侦察、户外拍摄与表演、灾后搜救以及农业灌溉等等。同时人工智能领域以及微机电系统(Micro Electro Mechanical System，MEMS)传感器、微型全球定位系统(Global Positioning System，GPS)和微电子技术等多种技术手段的突破，无人机技术也逐渐向微型化、高精度化发展。随着低空空域利用率的提高，诸多问题也接踵而来，“黑飞”、“乱飞”的情况屡禁不止，更为严重的是有些无人机使用者无视航空管制，在机场附近肆意起飞，甚至对飞机造成威胁，如果不能管理好无人机的飞行秩序，必然导致空中事故等一系列严重后果，因此，弱小目标将成为未来低空空域监视的难点与重点。

在深度学习领域兴起之前，传统的目标检测都是基于数字图像处理和计算机视觉技术来实现的，其流程都是在输入图像中选择一些候选区域，然后使用特征描述符提取相应的特征，最后送入分类器中。但低空空域中的飞行物图像目标尺寸小、飞行速度快，导致其边缘模糊，人为设计的特征提取器泛化能力差，运行时间长、容易受到光线的影响并且候选框的定位也存在较大误差，传统的目标检测方法在弱小目标的检测上面的效果并不理想，难以适用于当前情况。

随着深度领域的不断发展，各种基于卷积网络的深度模型也不断被研发，图片数据集中的特征不在基于人为设计，而是利用卷积层、池化层来提取目标的语义信息，并采用上下采样技术实现图像特征的维度转换，达到在高分辨率的特征地图上学习到强语义信息的目的。不仅如此，深度学习技术还具备信息复用性高、共享权重等优势。不仅提高了模型的泛化能力，还能够降低数据维度，减少冗余信息，从而减少计算成本，大幅度提高了检测的速度与精度。自2012年，首次提出深度卷积神经网络，并将其运用到目标检测领域，完成智能检测任务。自此以后，目标检测取得了巨大的突破，卷积神经网络正式被用来完成目标识别等任务。

但低空空域中小型无人机具有尺度小、数量多等特点,导致其纹理特征难以提取,现有的深度学习经典检测算法对此类目标的检测精度较低。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于卷积神经网络的低空小飞行物检测方法，分别从提高模型获取小目标语义信息的能力以及模型对候选框的准确定位这两个角度入手进行优化和改进，提高了模型对小目标的敏感程度，以及模型在待检测物密集出现情况下的准确率，并能提高模型对低空小目标检测的位置精度。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于卷积神经网络的低空小飞行物检测方法，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，取代原模型中的基于人为经验预先设定好的尺寸。