[发明专利]一种基于运动特征和深度学习特征的无人机小目标检测方法

说明书

本发明涉及一种基于运动特征和深度学习特征的无人机小目标检测方法，属于图像处理与计算机视觉技术领域。首先通过视频稳像算法对输入的视频数据集处理，补偿摄像头运动；分析图像中检测运动候选目标区域；将视频数据集分为两部分，利用训练数据集训练得到改进的候选区域生成网络模型；通过训练得到的基于深度特征的候选区域生成网络，通过该网络对测试集的视频图像生成候选目标；将候选目标区域进行融合；利用训练数据集训练得到基于双通道的深度神经网络的模型，并应用该模型得到识别结果。将基于多层深度特征的目标跟踪方法应用于上一步的识别结果，得到最终的无人机所在位置。本发明可准确检测出视频图像中的无人机，为后续无人机智能监控相关领域的研究提供支持。

技术领域

本发明属于图像处理与计算机视觉技术领域，涉及一种基于运动特征和深度学习特征的无人机小目标检测方法。

背景技术

目前，随着商业无人机的可用性和成熟度急剧增长，无人机的销售成倍增长，在公共领域飞行的无人机已经屡见不鲜。无人机不仅出现在热门综艺的镜头里、浪漫求婚仪式上，还可以在农田上空喷洒农药、代替工人进行高空清洗作业，用于测绘拍摄、森林防火、军事侦察等等。但是，随着无人机的迅速发展，无人机造成的危险事故也在增长，给公共安全、隐私泄露、军事安全等方面带来了威胁。

近年来，检测无人机技术大致可以分为声音检测(Acoustics Detection)、射频检测(Radio Frequency)、雷达检测(Radar Detection)、视觉检测(Visual Detection)等。声音检测使用麦克风阵列来探测无人机飞行的转子噪声，然后将探测到的噪声与记录了所有无人机声音的数据库进行匹配，识别出该噪声是否属于无人机从而判断出是否有无人机靠近。声音检测的方法容易受到环境噪声的干扰，同时，构建无人机声音特征的数据库十分耗时。射频检测是通过无线接收器监控一定频率范围内的射频来检测无人机。这种方法很容易将未知的射频发射机误报为无人机。雷达检测是通过检测验证接收到的目标散射和反射的电磁波来判断是否是无人机。雷达设备的费用以及能源消耗十分的昂贵，并且易受到环境影响而产生盲区。视觉检测一般是通过一个或多个成像设备来检测无人机，利用某种方法分析图像序列来判断是否有无人机存在。基于视觉的无人机检测不易受到环境噪声的干扰，可以定位无人机所在位置，还可以辨别出无人机是否携带危险物品，甚至可以检测无人机的飞行轨迹、飞行速度等信息。因此，基于视觉的检测方法相比其他手段具有巨大的优势，同时也能弥补其他检测手段的不足。

目前基于视觉的无人机检测的研究工作较少。很显然，在越远的距离检测到无人机，对于提前规避无人机的危险更有利。无人机相比行人、飞机、车辆等目标大小更小，尤其是在远距离成像中，无人机的尺寸非常小，这使得基于视觉的无人机检测更加困难。因此，目前需要一种能有效检测视频中无人机小目标的检测算法。

发明内容

有鉴于此，本发明的目的在于提供一种基于运动特征和深度学习特征的无人机小目标检测方法，利用目标跟踪算法来跟踪无人机并滤除虚假目标，结合无人机尺寸小等特点，对卷积神经网络结构进行了改进，使深度学习算法适用于小目标的情况，并能够有效的检测出复杂场景中的无人机，提高了无人机检测的准确率。

为达到上述目的，本发明提供如下技术方案：

一种基于运动特征和深度学习特征的无人机小目标检测方法，该方法包括以下步骤：

S1：通过视频稳像算法对输入的视频的数据集进行处理，补偿摄像头运动；

S2：通过低秩矩阵分析方法从运动补偿后的视频图像中检测运动候选目标区域Ⅰ，并通过图像后处理模块去除运动候选目标区域Ⅰ中细小的噪声点；

S3：将视频的数据集分为训练集和测试集，利用训练集训练得到改进的候选区域生成网络模型；通过改进的区域生成网络模型对测试集的视频图像处理生成候选目标区域Ⅱ；

S4：将候选目标区域Ⅰ和候选目标区域Ⅱ进行融合得到候选目标区域Ⅲ；