[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

说明书

本发明公开了一种针对旋翼无人机防控的双阶段关键部位识别方法，属于图像处理领域。本发明将旋翼无人机部位识别转化成关键部位中心点识别，利用了关键点检测网络强大的结构建模能力，不仅可对清晰可见的部位进行准确定位，也可对模糊、被遮挡部位给出可靠的位置预测。此外，本发明采用双阶段检测方式，即先检测旋翼无人机目标区域，再对目标区域进行缩放和关键部位中心点检测；一方面固定了输入旋翼无人机的尺度，降低了输入复杂度，有助于提升检测效果，另一方面，克服了旋翼无人机尺寸过小时，部位定位困难、相对误差大的问题。因此，本发明可实现旋翼无人机关键部位准确定位，有助于提高无人机防控系统工作性能。

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种针对旋翼无人机防控的双阶段关键部位识别方法。

背景技术

因此，无人机防控具有十分重大的安全意义，其中，激光毁伤是一种重要手段，具有反应灵敏、无电磁污染、作用距离远等优点，而旋翼无人机部件识别是提高毁伤率的重要途径。

在进行旋翼无人机毁伤时，对动力系统进行破坏是一种高效的攻击手段，主要攻击包括电机、机臂和电池。其中电机是位于旋翼下方的动力装置，是旋翼转动的动力来源；机臂为连接电机和机身的机械装置，内部藏有输电线路；电池位于旋翼无人机机身中部，为供能装置。故破坏电机、机臂、电池部位之一均可使旋翼无人机动力系统瘫痪。

由于无人机的姿态多变，无人机部位间距离近甚至相互遮挡的情况经常出现，而目标检测领域内惯用的边框非极大值抑制(NMS)策略会抑制边框重叠度高的检测结果，容易导致当两部位距离近或者部分遮挡时只能识别出其中一个的情况。

由于上述三种部位在图像中的尺寸往往十分微小，一阶段的检测技术难以将其检测出来。武汉大学在其专利申请“一种基于部件的多层并行网络 SAR图像飞机目标检测方法”(专利申请号：CN201710852460.0，专利公开号：CN107657224A)中直接标注飞机部件包围框并训练改进的YOLO算法网络，该方法考虑到“图像中飞机目标较小，通常由数十个或者上百个像素点组成，子部件过于细分之后，每个部件所拥有的像素点更小，给检测带来很大的难度”，因此仅将飞机划分为两个子部件(两部件像素数各为飞机 50％左右)。所以一阶段的检测技术难以实现部件的精细识别。

此外，若仅考虑部件中心点预测性能，当部件越小时，采用一阶段的检测方法相对误差越大。例如，假设网络对各尺度部件的识别偏差均为Δ，部件尺度为s，则部件识别的相对误差为所以，当部件越小时，一阶段检测方法的可靠性越低。

综上所述，需要提高旋翼无人机关键部位的识别性能，以解决部件距离近和部件尺寸微小时容易出现漏检、部件尺寸小越小时检测结果相对误差越大的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种针对旋翼无人机防控的双阶段关键部位识别方法，其目的在于实现高精度的旋翼无人机关键部位识别性能，为旋翼无人机防控提供精确的部件位置信息，由此解决部件距离近和部件尺寸微小时容易出现漏检、部件尺寸小越小时检测结果相对误差越大的技术问题。

为实现上述目的，本发明提供了一种针对旋翼无人机防控的双阶段关键部位识别方法，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；