[发明专利]用于户外救援的无人机人物自动识别方法

说明书

本发明公开了一种用于户外救援的无人机人物自动识别方法，包括搭建无人机飞行平台、构建地面站系统、获取图像数据、图像预处理、红外图像分割、确定感兴趣区域、利用可见光图像识别目标、获取GPS位置信息，其中在可见光图像识别目标使用的卷积神经网络在进行训练时对模型参数的优化采用三个评估指标代替人为判断，优化网络结构参数。本发明通过在神经网络模型进行训练，优化网络参数时，对识别结果的召回率和精确率根据不同的网络模型参数设置不同的评估参数，解决了人为分析结果耗时费力且结果准确率低的不足，能够优化网络模型参数，从而使用优化的网络模型对户外救援任务中的任务识别提供优质的识别性能和效率。

技术领域

本发明涉及一种人物自动识别方法，特别是涉及一种用于户外救援的无人机人物自动识别方法，属于无人机救援识别技术领域。

背景技术

随着通信自动化技术的发展，无人机已经被广泛用于辅助进行户外救援工作，用于寻找迷失在荒野的户外运动人员，相比于人力地毯式搜索，无人机户外救援搜寻效率高，且搜索范围不受地形限制，能够为救援争取时间，避免造成不可挽回的后果，但是无人机在进行人脸识别的时候需要与目标保持一定的高度和距离，无人机视角下拍摄到的图片会因为光照和无人机的飞行而变得模糊、曝光、失真、暗光或畸变，人脸在整张图中的占比较小，这就给人脸识别带来挑战和难度，因此检测效果较差，无人机上的视觉功能主要是通过在待检测图像中框选出感兴趣的区域，然后在感兴趣的区域中提取人脸上的几何特征和灰度特征等，通过分类器对区域特征进行分类，基于几何特征的人脸识别主要是识别人脸上的几何结构特征，例如人眼、口鼻等，虽然计算量较小，但是容易受到环境和表情的影响，造成识别的准确度以及精度不高，将人脸几何特征与灰度分布结合进行识别的基于弹性图的人脸识别时间复杂程度高，运算量大，因此运算成本高，因此专家学者在人脸识别上做了许多的研究和改进，随着深度学习技术在计算机领域的发展，逐渐被用于人脸检测，基于深度学习的人脸识别算法通过不同的卷积神经网络结构学习人脸上的不同特征，能够在完成人脸特征设计的同时实现人脸目标的分类，实现了算法端到端的检测，基于深度学习的人脸检测方法中典型的卷积神经网络模型主要包括输入层、卷积层、池化层、激活函数以及全连接层，基于卷积神经网络的CNN_Based模型对人体识别精度出色，但是其卷积核及神经元数目、卷积核尺寸以及网络深度对网络识别性能存在影响，而现有的测试训练系统只能针对不同的网络深度、卷积核及神经元数目以及卷积核尺寸进行列举方式的训练，并根据得出结果的召回率和精确率分析和观察，但是针对网络深度、卷积核及神经元数目以及卷积核尺寸的结果对比没有统一的评估方法，无法对不同模型的召回率和精确率进行自动综合分析，人为观察耗时费力，结果不具备准确性，因此本发明提出一种用于户外救援的无人机人物自动识别方法，在利用CNN_Based模型识别人物的识别方法中，利用多种不同的网络深度、多种不同卷积核及神经元数目以及多种卷积核尺寸的模型进行识别训练时，对识别结果的召回率和精确率根据不同的网络模型参数设置不同的评估参数，其中，针对不同网络深度模型的识别结果采用深度评估指标进行判别，针对不同数目卷积核模型的识别结果采用卷积核数目评估指标进行判断，针对不同卷积核尺寸模型的识别结果采用卷积核大小评估指标，再联合三个指标形成综合指标，自动判断模型的综合识别性能，解决了人为分析结果耗时费力且结果准确率低的不足，能够优化网络模型参数，从而使用优化的网络模型对户外救援任务中的任务识别提供优质的识别性能和效率。

发明内容

本发明的主要目的是为了解决现有的测试训练系统只能针对不同的网络深度、卷积核及神经元数目以及卷积核尺寸进行列举方式的训练，并根据得出结果的召回率和精确率分析和观察，但是针对网络深度、卷积核及神经元数目以及卷积核尺寸的结果对比没有统一的评估方法，无法对不同模型的召回率和精确率进行自动综合分析，人为观察耗时费力，结果不具备准确性的不足，而提供的一种用于户外救援的无人机人物自动识别方法。

本发明的目的可以通过采用如下技术方案达到：

一种用于户外救援的无人机人物自动识别方法，包括如下步骤：

S1.搭建无人机飞行平台；

S2.构建地面站系统；