一种基于无人机的目标识别方法技术

本发明专利技术公开了一种基于无人机的目标识别方法，属于目标识别以及数据处理技术领域，通过深度学习模型构建无人机目标识别模型，能够实现对目标区域的识别

【技术实现步骤摘要】
一种基于无人机的目标识别方法


[0001]本专利技术属于目标识别以及数据处理
，具体涉及一种基于无人机的目标识别方法
。

技术介绍

[0002]无人机的目标识别追踪算法是建立在目标检测的基础上，通过无人机对包含目标的图像进行采集，然后对采集的图像进行识别，从而可以获取目标识别结果
。
传统的目标识别，主要先对图像提取一定量的人工特征后用数学模型表达此图像，然后通过分类器来对图像进行识别
。
随着人工智能的发展，深度学习的不断突破，在语音识别
、
自然语言处理
、
计算机视觉
、
视频分析以及多媒体等领域都取得了巨大成功
。
深度学习也逐渐应用于无人机目标识别，基于深度学习的目标识别方法一般为：把图像输入到神经网络中，利用深度学习的前向传播和反向传播误差等算法来最小化损失函数，更新权值后，得到一个较优的识别模型，然后利用此模型对新的图像来进行识别
。
例如，现有技术通过卷积神经网络模型从图像数据中自动学习特征，且能从新的训练数据中快速训练从而学习到新的特征表示
。
一般的模式识别系统都包含特征提取和分类器两个重要部分，在传统的方法中它们的优化是相互分开，而在神经网络的框架下，特征提取和分类器是联合反馈优化的，可以尽可能的发挥二者联合协作的性能
。
[0003]但是现有技术，不能很好地学习图像数据中的特征，导致最终训练的神经网络不能较好的进行目标识别，从而导致无人机无法精准地执行目标识别任务
。

技术实现思路

[0004]本专利技术提供一种基于无人机的目标识别方法，用以解决现有技术中存在的问题
。
[0005]一种基于无人机的目标识别方法，包括：获取用于目标识别的训练数据，所述训练数据包括训练图像数据
、
训练图像数据的候选区域位置以及每个候选区域的目标分类标签；构建候选区域提取子模型，并根据训练图像数据以及训练图像数据的候选区域位置，采用多层混合搜索算法对候选区域提取子模型进行训练，以获取训练完成的候选区域提取子模型；构建特征提取子模型，所述特征提取子模型用于根据训练图像数据的候选区域位置，提取训练图像数据的候选区域，并将训练图像数据的候选区域缩放至统一尺寸，得到处理之后的候选区域，对处理之后的候选区域进行特征提取，得到候选区域的目标数据特征；构建目标识别子模型，并根据候选区域的目标数据特征以及候选区域的目标分类标签，采用多层混合搜索算法对目标识别子模型进行训练，以获取训练完成的目标识别子模型；根据训练完成的候选区域提取子模型
、
特征提取子模型以及训练完成的目标识别子模型构建无人机目标识别模型；
将无人机目标识别模型部署于无人机上或部署于与无人机无线连接的远程终端上，当无人机执行目标识别任务时，通过部署的无人机目标识别模型进行目标识别，以获取目标识别结果
。
[0006]进一步地，构建候选区域提取子模型，包括：构建
RCNN
深度学习模型
、FastRCNN
深度学习模型或者
FasterRCNN
深度学习模型，并将构建的
RCNN
深度学习模型
、FastRCNN
深度学习模型或者
FasterRCNN
深度学习模型作为候选区域提取子模型
。
[0007]进一步地，根据训练图像数据以及训练图像数据的候选区域位置，采用多层混合搜索算法对候选区域提取子模型进行训练，以获取训练完成的候选区域提取子模型，包括：以训练图像数据作为候选区域提取子模型的输入数据，获取候选区域提取子模型的实际输出数据，以训练图像数据的候选区域位置作为候选区域提取子模型的期望输出数据，并根据候选区域提取子模型的实际输出数据以及期望输出数据获取候选区域提取子模型的适应度值；根据候选区域提取子模型的适应度值，采用多层混合搜索算法对候选区域提取子模型进行训练，以获取训练完成的候选区域提取子模型
。
[0008]进一步地，构建特征提取子模型，所述特征提取子模型用于根据训练图像数据的候选区域位置，提取训练图像数据的候选区域，并将训练图像数据的候选区域缩放至统一尺寸，得到处理之后的候选区域，对处理之后的候选区域进行特征提取，得到候选区域的目标数据特征，包括：构建候选区域处理层，所述候选区域处理层用于根据训练图像数据的候选区域位置，提取训练图像数据的候选区域，并将训练图像数据的候选区域缩放至统一尺寸，得到处理之后的候选区域；构建特征提取层，所述特征提取层部署有
HOG
算法，以通过
HOG
算法对处理之后的候选区域进行特征提取，得到候选区域的目标数据特征
。
[0009]进一步地，构建目标识别子模型，包括：构建
SVM
深度学习模型，并采用
SVM
深度学习模型构建目标识别子模型
。
[0010]进一步地，构建目标识别子模型，根据候选区域的目标数据特征以及候选区域的目标分类标签，采用多层混合搜索算法对目标识别子模型进行训练，以获取训练完成的目标识别子模型，包括：以据候选区域的目标数据特征作为目标识别子模型的输入数据，获取目标识别子模型的实际输出数据，以候选区域的目标分类标签作为目标识别子模型的期望输出数据，并根据目标识别子模型的实际输出数据以及期望输出数据获取目标识别子模型的适应度值；根据目标识别子模型的适应度值，采用多层混合搜索算法对目标识别子模型进行训练，以获取训练完成的目标识别子模型
。
[0011]进一步地，将无人机目标识别模型部署于无人机上或部署于与无人机无线连接的远程终端上，当无人机执行目标识别任务时，通过部署的无人机目标识别模型进行目标识别，以获取目标识别结果，包括：将无人机目标识别模型部署于无人机上或部署于与无人机无线连接的远程终端
上；当无人机执行目标识别任务时，通过无人机实时采集实时图像数据，并采用部署的无人机目标识别模型对实时图像数据进行识别，以确定实时图像数据中的目标，从而得到目标识别结果
。
[0012]进一步地，所述多层混合搜索算法，包括：在待训练模型的参数上限与参数下限之间随机生成参数，并将待训练模型的参数组成向量，以获取待训练模型对应的参数个体；重复获取待训练模型对应的参数个体，得到多个参数个体，并获取每个参数个体所对应的适应度值，并根据每个参数个体所对应的适应度值，获取全局最优个体；确定搜索方向以及搜索步长，并根据搜索方向以及搜索步长，使参数个体在解空间内进行搜索，获取基础搜索之后的参数个体，并根据基础搜索之后的参数个体更新全局最优个体；对基础搜索之后的参数个体进行局部精细搜索，获取局部搜索之后的参数个体，并根据局部搜索之后的参数个体更新全局最优个体；采用概率更新策略对局部搜索之后的参数个体进行全局粗搜索，获取全局搜索之后的参数个体，并根据全局搜索之后的参数个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于无人机的目标识别方法，其特征在于，包括：获取用于目标识别的训练数据，所述训练数据包括训练图像数据
、
训练图像数据的候选区域位置以及每个候选区域的目标分类标签；构建候选区域提取子模型，并根据训练图像数据以及训练图像数据的候选区域位置，采用多层混合搜索算法对候选区域提取子模型进行训练，以获取训练完成的候选区域提取子模型；构建特征提取子模型，所述特征提取子模型用于根据训练图像数据的候选区域位置，提取训练图像数据的候选区域，并将训练图像数据的候选区域缩放至统一尺寸，得到处理之后的候选区域，对处理之后的候选区域进行特征提取，得到候选区域的目标数据特征；构建目标识别子模型，并根据候选区域的目标数据特征以及候选区域的目标分类标签，采用多层混合搜索算法对目标识别子模型进行训练，以获取训练完成的目标识别子模型；根据训练完成的候选区域提取子模型
、
特征提取子模型以及训练完成的目标识别子模型构建无人机目标识别模型；将无人机目标识别模型部署于无人机上或部署于与无人机无线连接的远程终端上，当无人机执行目标识别任务时，通过部署的无人机目标识别模型进行目标识别，以获取目标识别结果
。2.
根据权利要求1所述的基于无人机的目标识别方法，其特征在于，构建候选区域提取子模型，包括：构建
RCNN
深度学习模型
、FastRCNN
深度学习模型或者
FasterRCNN
深度学习模型，并将构建的
RCNN
深度学习模型
、FastRCNN
深度学习模型或者
FasterRCNN
深度学习模型作为候选区域提取子模型
。3.
根据权利要求2所述的基于无人机的目标识别方法，其特征在于，根据训练图像数据以及训练图像数据的候选区域位置，采用多层混合搜索算法对候选区域提取子模型进行训练，以获取训练完成的候选区域提取子模型，包括：以训练图像数据作为候选区域提取子模型的输入数据，获取候选区域提取子模型的实际输出数据，以训练图像数据的候选区域位置作为候选区域提取子模型的期望输出数据，并根据候选区域提取子模型的实际输出数据以及期望输出数据获取候选区域提取子模型的适应度值；根据候选区域提取子模型的适应度值，采用多层混合搜索算法对候选区域提取子模型进行训练，以获取训练完成的候选区域提取子模型
。4.
根据权利要求3所述的基于无人机的目标识别方法，其特征在于，构建特征提取子模型，所述特征提取子模型用于根据训练图像数据的候选区域位置，提取训练图像数据的候选区域，并将训练图像数据的候选区域缩放至统一尺寸，得到处理之后的候选区域，对处理之后的候选区域进行特征提取，得到候选区域的目标数据特征，包括：构建候选区域处理层，所述候选区域处理层用于根据训练图像数据的候选区域位置，提取训练图像数据的候选区域，并将训练图像数据的候选区域缩放至统一尺寸，得到处理之后的候选区域；构建特征提取层，所述特征提取层部署有
HOG
算法，以通过
HOG
算法对处理之后的候选
区域进行特征提取，得到候选区域的目标数据特征
。5.
根据权利要求3所述的基于无人机的目标识别方法，其特征在于，构建目标识别子模型，包括：构建
SVM
深度学习模型，并采用
SVM
深度学习模型构建目标识别子模型
。6.
根据权利要求5所述的基于无人机的目标识别方法，其特征在于，构建目标识别子模型，根据候选区域的目标数据特征以及候选区域的目标分类标签，采用多层混合搜索算法对目标识别子模型进行训练，以获取训练完成的目标识别子模型，包括：以据候选区域的目标数据特征作为目标识别子模型的输入数据，获取目标识别子模型的实际输出数据，以候选区域的目标分类标签作为目标识别子模型的期望输出数据，并根据目标识别子模型的实际输出数据以及期望输出数据获取目标识别子模型的适应度值；根据目标识别子模型的适应度值，采用多层混合搜索算法对目标识别子模型进行训练，以获取训练完成的目标识别子模型
。7.
根据权利要求1‑6任一所述的基于无人机的目标识别方法，其特征在于，将无人机目标识别模型部署于无人机上或部署于与无人机无线连接的远程终端上，当无人机执行目标识别任务时，通过部署的无人机目标识别模型进行目标识别，以获取目标识别结果，包括：将无人机目标识别模型部署于无人机上或部署于与无人机无线连接的远程终端上；当无人机执行目标识别任务时，通过无人机实时采集实时图像数据，并采用部署的无人机目标识别模型对实时图像数据进行识别，以确定实时图像数据中的目标，从而得到目标识别结果
。8.
根据权利要求6所述的基于无人机的目标识别方法，其特征在于，所述多层混合搜索算法，包括：在待训练模型的参数上限与参数下限之间随机生成参数，并将待训练模型的参数组成向量，以获取待训练模型对应的参数个体；重复获取待训练模型对应的参数个体，得到多个参数个体，并获取每个参数个体所对应的适应度值，并根据每个参数个体所对应的适应度值，获取全局最优个体；确定搜索方向以及搜索步长，并根据搜索方向以及搜索步长，使参数个体在解空间内进行搜索，获取基础搜索之后的参数个体，并根据基础搜索之后的参数个体更新全局最优个体；对基础搜索之后的参数个体进行局部精细搜索，获取局部搜索之后的参数个体，并根据局部搜索之...

【专利技术属性】
技术研发人员：李国庆，刘臣，刘兵，陈文枫，
申请(专利权)人：成都庆龙航空科技有限公司，
类型：发明
国别省市：