[发明专利]一种针对旋翼无人机防控的双阶段关键部位识别方法

权利要求书

1.一种针对旋翼无人机防控的双阶段关键部位识别方法，其特征在于，包括：

S1.构建数据库；

对收集的无人机图像中无人机边框和关键部位中心点进行标注；

关键部位中心点标记内容包括坐标和类别；关键部位中心点所属类别包括电机、机臂和电池；

S2.离线训练；

构建旋翼无人机边框检测网络，并利用无人机图像和无人机边框标注信息对其进行训练，得到旋翼无人机边框检测模型；

构建基于热力图回归的关键部位中心点检测网络，并利用无人机图像、无人机边框标注信息和关键部位中心点标注信息对其进行训练，得到关键部位中心点检测模型；

S3.在线识别；

采集待识别的无人机图像，输入至旋翼无人机边框检测模型，得到旋翼无人机边框，将边框内的区域作为关键部位识别的目标区域；

将所述目标区域缩放至固定尺寸后，输入关键部位中心点检测模型，得到关键部位中心点热力图，对所述热力图进行后处理得到关键部位中心点所处的位置和类别。

2.根据1所述的一种针对旋翼无人机防控的双阶段关键部位识别方法，其特征在于，所述旋翼无人机边框检测网络在YOLO v4目标检测网络的基础上，采用Res50作为骨干网络，采用SPP和PAN作为特征融合模块，采用YOLO head作为网络的检测头；其中YOLO head的检测类别数设置为1。

3.根据权利要求1所述的一种针对旋翼无人机防控的双阶段关键部位识别方法，其特征在于，基于热力图回归的关键部位中心点检测网络采用Res18和反卷积网络作为特征提取网络，采用1×1卷积作为检测头；其中反卷积网络包含3个反卷积模块，每个反卷积模块由ConvTransposed2d、ReLU、BatchNorm组成。

4.根据权利要求1-3任一项所述的一种针对旋翼无人机防控的双阶段关键部位识别方法，其特征在于，训练关键部位中心点检测网络过程中，执行以下数据预处理：

对无人机图像进行随机左右翻转；

对无人机边框进行数据增强：将旋翼无人机边框绕边框中心随机旋转，旋转角度范围为[-45°，45°]、对旋翼无人机边框分别沿横向和纵向进行随机平移，平移范围分别为[-w*0.2，w*0.2]和[-h*0.2，h*0.2]，其中w、h分别表示边框的宽度和高度，以及对旋翼无人机边框进行随机缩放，其中缩放比率范围为[0.7-1.3]；

将数据增强后边框内的无人机区域，缩放至256*256分辨率。

5.根据权利要求4所述的一种针对旋翼无人机防控的双阶段关键部位识别方法，其特征在于，训练关键部位中心点检测网络过程中，通过如下过程获取网络监督的标签图：

计算每个关键部位中心点在输入图像上的坐标；

对于每一个中心点坐标(x₀，y₀)，按照公式(1)生成大小的标签图，其中D为特征提取模块的下采样率；

对同一部位类型的标签图按照公式(2)求和，分别得到三类关键部位用于网络监督的标签图；

f₁(x，y)+f₂(x，y)＝max{f₁(x，y)，f₂(x，y)} (2)

f₁(x，y)，f₂(x，y)表示不同的标签图，(x，y)为标签图上的坐标。

6.根据权利要求5所述的一种针对旋翼无人机防控的双阶段关键部位识别方法，其特征在于，训练关键部位中心点检测网络采用的损失函数为：

D表示网络下采样率，i表示行数，j表示列数，k表示通道数，x(i，j，k)表示网络输出值，y(i，j，k)表示标签值。

7.根据权利要求6所述的一种针对旋翼无人机防控的双阶段关键部位识别方法，其特征在于，后处理过程具体为：

将关键部位中心点检测网络的输出通过公式转化为概率，得到概率图其中和分别为概率图的长度和宽度，3为概率图的通道数；

在每个通道上对概率图进行邻域抑制处理：若一个点的概率值比8邻域其余点的概率值大，则保持其概率值不变，否则将其概率值赋为0；

将每个通道中概率大于阈值T的点，分别作为关键部位中心点的相对预测位置；

将相对预测位置通过处理得到在原始图像上的关键部位中心点的预测结果；其中(x_r，y_r)表示相对预测位置，D表示特征提取网络下采样率，(x′，y′，w′，h′)表示无人机边框，(x′，y′)表示无人机边框中心坐标，w′、h′分别表示无人机边框的宽度和高度。