【技术实现步骤摘要】
本专利技术涉及无人机算法领域，尤其涉及一种基于深度学习的低空无人机目标检测优化算法。
技术介绍
1、随着深度学习的快速发展，目标检测取得了显著的进展。基于卷积神经网络的目标检测算法分为两类，分别是单阶段目标检测算法和两阶段目标检测算法。单阶段目标检测算法可以通过图像上规则和密集的采样网格来定位对象，实现了端到端的目标检测，相比于两阶段目标检测算法，具有较高的检测准确率和检测速度，如yolo、ssd等。其中，ssd算法作为一种先进的目标检测技术，能够直接预测目标的类别及其边界框位置。它通过深度集成多卷积层架构，展现了对目标尺度变化的高度适应性和鲁棒性。
2、针对小目标检测精度的提升需求，在ssd算法的基础上，dssd采用更为复杂的resnet-101替代vgg16网络基础，以强化特征学习能力，但伴随着参数规模的扩大和计算复杂度的增加，影响了检测的实时性能；fpn-ssd引入了自上而下的语义强化路径，通过相邻特征图之间的融合来增强浅层特征的丰富度，但忽略了低层特征对高层特征的影响，导致特征融合不够充分。rssd模型通过池化技术与反卷积的结合，实现了跨尺度特征的融合，从而在提升检测精度的同时也保持了一定的检测速度，但在聚焦小目标特征提取，尤其是图像底层特征的细节捕捉上仍有不足；df-ssd模型基于密度卷积与功能融合的创新，在检测小目标和具有特定空间关系目标方面展现了较好性能，然而这种性能的提升是以网络结构的复杂化为代价的，虽然换取了更高的检测精度，但依然难以达到实时检测的需求。
3、综上所述，需要一种基于深度学
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于深度学习的低空无人机目标检测优化算法，旨在解决上述问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的低空无人机目标检测优化算法，包括以下步骤：
3、步骤s1：通过公开的已标注的数据集对ssd目标检测模型进行训练，获得ssd目标检测初始模型；
4、步骤s2：根据anchor box尺度优化策略计算anchor box最优长宽比，并生成anchor box；
5、步骤s3：引入金字塔特征融合模块，融合深层特征与浅层特征图语义信息；
6、步骤s4：通过ssd损失函数计算损失值；
7、步骤s5：根据损失值进行反向传播，更新模型梯度；
8、步骤s6：采用diou-nms算法消除重叠的检测框，获得置信度最高的检测框即最优检测结果。
9、可选的，所述步骤s1模型训练为：
10、步骤s11：获取公开已标注的数据集，并划分为训练集、验证集和测试集；
11、步骤s12：使用vgg16卷积神经网络作为基础网络，对ssd目标检测模型进行训练，获得ssd目标检测初始模型。
12、可选的，所述聚类过程中k-means算法距离公式为：
13、，
14、式中，b 为样本框大小；c为k-means聚类算法产生的聚类中心；a为聚类框大小；iou为样本框大小和聚类框大小的交互比，作为两个框大小相似的度量。
15、可选的，所述步骤s2中计算并生成anchor box通过以下方式：
16、步骤s21：数据预处理：从训练数据集中提取每张图像的尺寸及对应的目标框信息，计算目标框的宽度和高度；
17、步骤s22：图像与目标框缩放：将图像及其目标框按比例自适应缩放，使图像和目标框在同一尺寸下分析；
18、步骤s23：初始化anchor box：在缩放后的目标框尺寸集合中，随机选择k个样本点作为初始的聚类中心；
19、步骤s24：距离计算与分类：计算每个目标框与所有聚类中心之间的距离，并将每个目标框分配到最近的anchor box；
20、步骤s25：通过dbscan聚类算法去除噪声点，优化聚类中心的位置；
21、步骤s26：重复步骤s24至s25，直至聚类中心位置稳定，并生成最终anchor box。
22、可选的，所述步骤s3通过以下方式实现：
23、步骤s31：引入多分支残差单元，融合来自不同感受野的图像特征；
24、步骤s32：亚像素卷积通过重新排列特征图通道中的像素值，经由特定卷积操作实现图像空间分辨率的提升，输出宽度和高度均为原图r倍的高分辨率图像。
25、可选的，所述步骤s4中通过以下方式计算：
26、目标损失函数分为预测框与目标类别的置信度损失以及相应位置回归的损失两部分。
27、可选的，所述目标损失函数的计算公式为：
28、，
29、式中，n为预测框与真实框所匹配的个数，x表示匹配结果，c和l分别表示预测结果的类别置信度和位置信息，g表示真实框信息，参数α用于调整位置损失和置信度损失之间的比例，设置为1，lconf表示置信度损失，具体采用softmax loss作为损失函数，lloc表示位置回归损失，具体采用smoothl1 loss作为损失函数。
30、可选的，所述步骤s5中更新模型梯度为：
31、通过计算损失函数得到的损失值，从输出层开始，根据误差的链式法则反向逐层计算每个神经元的偏导数，根据随机梯度下降法则计算每个权重的调整量，并将调整后的权重应用于网络中，以更新数值。
32、可选的，所述步骤s6中diou-nms算法的计算公式为：
33、，
34、式中，si是分类置信度；ε为nms阈值，iou为样本框大小和聚类框大小的交并比，为框b和框bgt的中心点之间的距离；c表示能够同时覆盖两个框的最小矩形的对角线的长度。
35、本专利技术的有益效果：
36、1、本专利技术中，融合了dbscan与k-means聚类算法的优点，通过更精细的聚类分析，不仅优化了anchor box的选择与配置，还显著增强了ssd算法在复杂的环境中对无人机目标的检测能力，从而实现了检测性能的进一步提升，通过对经典ssd算法创新改进，增强在低空复杂环境下的无人机检测效能，从而实现对无人机目标的高效、准确识别；
37、2、本专利技术中，采用自顶向下的特征信息传播机制，不仅保留了浅层特征在定位物体位置上的优势，还通过融合深层语义信息，确保了即使在复杂的特征融合过程中，也能保持图像语义信息的完整性和准确性；
38、3、本专利技术中，在图像目标检测任务中，多个特征层经过处理会生成大量候选框，其中混杂着大量错误的、相互重叠以及不确定的样本。传统的非极大值抑制（nms）算法在处理目标间距离较近的场景时，常因过分抑制而导致漏检问题。为此，本专利技术引入了diou-nms算法，该算法不仅衡量了候选框与真实框之间的重叠度，还考虑了两者中心点之间的距离作为位置关系的评估依据。这种综合考量使得候选框之间的重叠评估更本文档来自技高网...
【技术保护点】
1.一种基于深度学习的低空无人机目标检测优化算法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述步骤S1模型训练为：
3.根据权利要求1所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述步骤S2中计算并生成Anchor Box通过以下方式：
4.根据权利要求3所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述聚类过程中K-means算法距离公式D为：
5.根据权利要求1所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述步骤S3通过以下方式实现：
6.根据权利要求1所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述步骤S4中通过以下方式计算：
7.根据权利要求6所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述目标损失函数的计算公式为：
8.根据权利要求1所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述步骤S5中更新模型梯度为：
9.根据权利要求1所述基
...【技术特征摘要】
1.一种基于深度学习的低空无人机目标检测优化算法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述步骤s1模型训练为：
3.根据权利要求1所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述步骤s2中计算并生成anchor box通过以下方式：
4.根据权利要求3所述基于深度学习的低空无人机目标检测优化算法，其特征在于，所述聚类过程中k-means算法距离公式d为：
5.根据权利要求1所述基于深度学习的低空无人机目标检测优化算...
【专利技术属性】
技术研发人员：陈春燕，李明业，鲍志强，彭晓芳，胡兴，
申请(专利权)人：龙兴杭州航空电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。