[发明专利]基于多分支并行混合空洞编码神经网络的目标检测方法

说明书

本发明涉及一种基于多分支并行混合空洞编码神经网络的目标检测方法，包括：获取待测图像；将待测图像输入至训练完成的多分支并行混合空洞编码神经网络中，得到待测图像的最终检测结果。本发明的目标检测方法，通过训练完成的多分支并行混合空洞编码神经网络，对无人机拍摄得到的待测图像进行目标检测，该多分支并行混合空洞编码神经网络利用并行混合空洞编码神经网络对输入图像进行特征提取，同时利用解码预测网络和注意力无锚预测网络得到两个检测结果，通过对两个检测结果的融合得到最终检测结果，该目标检测方法能够提高无人机对地面小目标的检测精度，尤其对密集、遮挡场景下小目标的漏检及误检现象进行改善。

技术领域

本发明属于无人机目标探测技术领域，具体涉及一种基于多分支并行混合空洞编码神经网络的目标检测方法。

背景技术

为了加强安全防范管理，安装网络监控系统，对重点部位加强监控并和报警系统联动已经成为普遍采用的安保措施之一。现在普遍采用的是固定监控摄像头进行监控，这就不可避免的出现盲点、盲区，并且很容易受到外界的干扰。固定监控摄像头存在视角狭隘、图像不清晰、难以获取第一手现场图像资料等问题，无法满足日益复杂的安全监控需求，且耗费较多人力实时查看监控，调用监控视频时也难以轻松获取有用资料。

无人机监控可以在建筑物密集、人员车辆分布较广、分布不均的场景中快速准确高效地识别检测目标，对大规模活动进行实时监测，对行人和各类车辆进行快速定位排查危险因素。因此，充分利用无人机目标检测系统人力成本低、机动性强、成像清晰、覆盖域广等优点，可有效进行监控，实现对安全监控的智能化控制和管理。

行人和车辆检测是无人机监控任务中必不可少的环节，但因无人机图像特点和复杂的道路场景特点导致目标检测存在三大难点：(1)无人机地面监控图像目标尺度小，缺乏外观信息，可用特征点少，导致其检测精度不高。(2)在城市建筑物密集的场景下，目标易被遮挡，易产生漏检现象。(3)道路发生交通拥堵时大量目标聚集，检测精度不高，易产生误检现象。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于多分支并行混合空洞编码神经网络的目标检测方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于多分支并行混合空洞编码神经网络的目标检测方法，该方法包括：

获取待测图像；

将所述待测图像输入至训练完成的多分支并行混合空洞编码神经网络中，得到所述待测图像的最终检测结果；

其中，所述多分支并行混合空洞编码神经网络是基于多个训练样本训练得到的，所述训练样本包括利用无人机拍摄得到的图像以及其对应的类别标签；

所述多分支并行混合空洞编码神经网络包括：若干依次连接的下采样模块，每一个所述下采样模块的输出端连接一个并行混合空洞编码神经网络，形成并行的分支结构，第一个所述分支结构的并行混合空洞编码神经网络的输出端与解码预测网络连接；其他所述分支结构的并行混合空洞编码神经网络的输出端均与注意力无锚预测网络连接；

所述下采样模块用于对输入的图像进行下采样得到低层特征图；所述并行混合空洞编码神经网络用于对所述低层特征图进行特征提取，得到增强特征图；所述解码预测网络用于对输入的所述增强特征图进行分类检测，得到第一检测结果；所述注意力无锚预测网络用于对输入的所述增强特征图进行分类检测，得到第二检测结果；根据所述第一检测结果和所述第二检测结果得到所述待测图像的最终检测结果。

在本发明的一个实施例中，所述并行混合空洞编码神经网络包括：并行的第一分支链路和第二分支链路，其中，

所述第一分支链路以多个比例对输入的所述低层特征图进行图像上下文信息的捕捉，得到初始特征图；所述第二分支链路用于对输入的所述低层特征图进行全局感知的注意力权重分配，得到注意力加权特征图；将所述初始特征图和所述注意力加权特征图通过concat合并，得到所述增强特征图。