一种轻型航拍图像检测方法及系统技术方案

本发明专利技术提出了一种轻型航拍图像检测方法及系统，该方法包括：实时获取无人机拍摄视频帧；利用训练后的航拍图像检测模型判断所述视频帧中是否存在行人或车辆目标；所述航拍图像检测模型的构建过程包括：搭建用于特征提取的骨干特征提取网络；搭建深层特征图跨路径融合网络；将搭建的骨干特征提取网络与深层特征图跨路径融合网络进行拼接并搭建检测头，得到预设的航拍图像检测模型；所述航拍图像检测模型的训练过程包括：利用训练集训练所述预设的航拍图像检测模型，得到最终收敛的航拍图像检测模型。本发明专利技术通过构建轻型航拍图像检测模型，实现了航拍图像检测中更高的检测精度和更低的计算成本，减少硬件设备的损耗，实现了轻量化的航拍图像检测。化的航拍图像检测。化的航拍图像检测。

【技术实现步骤摘要】
一种轻型航拍图像检测方法及系统


[0001]本专利技术属于图像检测
，尤其涉及一种轻型航拍图像检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着无人机在现代生活中的不断应用，航拍技术在交通建设、地质勘探、生态研究、军事行动等各个领域都有着广泛的应用。地面车辆目标检测作为智慧交通系统的重要组成部分，可以为系统的外界环境感知提供基础，通过航拍技术对地面车辆目标进行定位与跟踪，能够更加清晰地传递和反映地面交通信息与交通状况，为构建成熟的智慧交通系统提供帮助。
[0004]无人机航拍图像目标往往较小且密集，现有检测算法的检测精度较低，并且检测算法的网络模型太大也会对无人机的算法部署造成不利影响，这都对无人机航拍图像目标检测任务带来了巨大考验。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了一种轻型航拍图像检测方法及系统，解决现有航拍图像检测算法检测精度低、计算成本高的问题，实现了检测精度上的显著提高，以及轻量化的航拍图像目标检测。
[0006]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0007]本专利技术第一方面提供了一种轻型航拍图像检测方法，包括：
[0008]实时获取无人机拍摄视频帧；
[0009]利用训练后的航拍图像检测模型判断所述视频帧中是否存在行人或车辆目标；
[0010]所述航拍图像检测模型的构建过程包括：
[0011]搭建用于特征提取的骨干特征提取网络；
[0012]搭建深层特征图跨路径融合网络；
[0013]将搭建的骨干特征提取网络与深层特征图跨路径融合网络进行拼接并搭建检测头，得到预设的航拍图像检测模型；
[0014]所述航拍图像检测模型的训练过程包括：
[0015]利用训练集训练所述预设的航拍图像检测模型，得到最终收敛的航拍图像检测模型。
[0016]本专利技术第二方面提供了一种轻型航拍图像检测系统，包括：
[0017]视频帧获取模块，被配置为：实时获取无人机拍摄视频帧；
[0018]航拍图像检测模型构建模块，被配置为：搭建用于特征提取的骨干特征提取网络；
[0019]搭建深层特征图跨路径融合网络；
[0020]将搭建的骨干特征提取网络与深层特征图跨路径融合网络进行拼接并搭建检测
头，得到预设的航拍图像检测模型；
[0021]航拍图像检测模型训练模块，被配置为：利用训练集训练所述预设的航拍图像检测模型，得到最终收敛的航拍图像检测模型；
[0022]目标判断模块，被配置为：利用训练后的航拍图像检测模型判断所述视频帧中是否存在行人或车辆目标。
[0023]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的一种轻型航拍图像检测方法中的步骤。
[0024]本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的一种轻型航拍图像检测方法中的步骤。
[0025]以上一个或多个技术方案存在以下有益效果：
[0026]本专利技术通过构建轻型航拍图像目标检测模型，即以包含VB网络和C3SFN网络的骨干特征提取网络，以DFM
‑
CPFN(Deep Feature Map Cross Path Fusion Network)为多尺度特征融合网络，实现了航拍图像目标检测更高的检测精度和更低的计算量和参数量，解决现有航拍图像检测算法复杂、精度低、成本高的问题，实现了轻量级的高精度航拍图像检测，具有广泛的适用性。
[0027]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0028]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0029]图1为本专利技术实施例一中的轻型航拍图像检测方法的流程图；
[0030]图2(a)和图2(b)分别为本专利技术实施例一中的骨干特征提取网络的VB网络和C3SFN网络结构图；
[0031]图3为本专利技术实施例一中的深层特征图跨路径融合网络DFM
‑
CPFN(Deep Feature Map Cross Path Fusion Network)的网络结构图；
[0032]图4为本专利技术实施例一中航拍图像检测算法(LAI
‑
YOLOv5s)与YOLO v5m算法、YOLO v5l算法、YOLO v3算法在mAP@0.5指标上的对比结果图；
[0033]图5为本专利技术实施例一中航拍图像检测算法(LAI
‑
YOLOv5s)与YOLO v5m算法、YOLO v5l算法、YOLO v3算法在mAP@0.5:0.95指标上的对比结果图。
具体实施方式
[0034]实施例一
[0035]如图1所示，本实施例公开了一种轻型航拍图像检测方法，包括：
[0036]获取若干存在行人或车辆的无人机航拍图像，对航拍图像进行预处理；
[0037]对航拍图像中的行人或车辆等目标进行标签标注，将若干标注的图片作为训练样本集，对预设的航拍图像检测模型进行训练；
[0038]实时获取无人机拍摄视频帧，利用训练完成的航拍图像检测模型进行判断，视频
帧中是否存在行人或车辆等目标。
[0039]在本实施例中，首先获取6471张存在行人或车辆的无人机航拍图像，该航拍图像均为采用JPG格式存储的彩色图像，对该彩色无人机航拍图像进行预处理，通过传统的图像处理技术和Mosaic数据增强技术提高无人机航拍图像的质量，提高图像读取速度，具体包括：
[0040]首先，采用现有的图像处理技术处理无人机航拍图像，其中，图像处理技术包括但不限于随机翻转、拼接、缩放等，用于提高数据集质量，提高模型泛化能力；其次，采用Mosaic数据增强技术处理无人机航拍图像，提高航拍图像的读取速度；最后，将无人机航拍图像尺寸归一化为同一大小，在本实施例中，将航拍图像尺寸大小归一化为640
×
640，便于后续的统一处理。
[0041]之后，利用labeling标注工具对预处理完成后的无人机航拍图像中的行人或车辆等目标进行标签标注，即在图像中的行人或车辆等目标左上方标注'pedestrian','people','bicycle','car','van','truck','tricycle','awning
‑
tricycle','bus','motor'(分别对应：“行人”，“人”，“自行车”，“汽车”，“小型货车”，“卡车”，“三轮车”，“遮蓬三轮车”，“公共汽车”，“摩托车”)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻型航拍图像检测方法，其特征在于，包括：实时获取无人机拍摄视频帧；利用训练后的航拍图像检测模型判断所述视频帧中是否存在行人或车辆目标；所述航拍图像检测模型的构建过程包括：搭建用于特征提取的骨干特征提取网络；搭建深层特征图跨路径融合网络；将搭建的骨干特征提取网络与深层特征图跨路径融合网络进行拼接并搭建检测头，得到预设的航拍图像检测模型；所述航拍图像检测模型的训练过程包括：利用训练集训练所述预设的航拍图像检测模型，得到最终收敛的航拍图像检测模型。2.如权利要求1所述的一种轻型航拍图像检测方法，其特征在于，所述骨干特征提取网络包括VB网络和C3SFN网络，所述VB网络为将VoVNet和残差结构Bottleneck进行融合得到的；所述C3SFN网络由一个SFN模块代替原C3网络中的Bottleneck模块得到。3.如权利要求2所述的一种轻型航拍图像检测方法，其特征在于，所述将VoVNet和残差结构Bottleneck进行融合，包括：将4个CBS卷积模块依次相连，每个CBS卷积模块的输出都在最后一个模块之后进行拼接，并保留了Bottleneck模块作为一条单独的路径进行拼接，在所有的拼接操作完成之后，再用1个CBS卷积模块来调整输出的通道数。4.如权利要求2所述的一种轻型航拍图像检测方法，其特征在于，所述SFN模块是一个类Bottleneck模块，具有两个分支，其中一条分支包含两个卷积核大小为1的普通卷积和卷积核大小为3的深度可分离卷积，另一条分支也即输入，两条分支由一个拼接操作融合在一起，最后由一个Channel Shuffle操作来启用两个分支之间的信息通信。5.如权利要求1所述的一种轻型航拍图像检测方法，其特征在于，所述深层特征图跨路径融合网...

【专利技术属性】
技术研发人员：邓立霞，毕凌云，李洪泉，陈好男，段学虎，娄海同，张洪豫，毕京学，刘海英，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：