[发明专利]一种无人机低空目标精准检测识别方法

权利要求书

1.一种无人机低空目标精准检测识别方法，其特征在于，包括以下步骤：

步骤(1)、推导无人机像素坐标系-世界坐标系的转换关系；

步骤(2)、计算统计低空目标实际尺寸，所述低空目标包括：车辆、摩托车、自行车、行人，将目标的实际尺度记为L_w，L_w∈(L₀，L₁)；

步骤(3)，通过步骤(1)中坐标转换关系，结合步骤(2)计算出的尺度的实际尺寸，建立低空目标检测的尺度估计模型，

根据前一步的计算的目标的实际尺度L_w在L₀～L₁之间，设目标的世界坐标为(X,d+L_w,1)和(X,d,1)，根据世界坐标计算出相应的像素坐标(μ₁,v₁)和(μ₂,v₂)，并将世界坐标中的L_w分别带入为L₀和L₁并进行计算，带入低空目标检测的尺度估计模型，分别计算出坐标对应的像素尺度为L_i0和L_i1，将得到的像素尺度统称为L_i，L_i∈(L_i0，L_i1)；

利用上述低空目标检测的尺度估计模型，分别计算目标的像素宽度尺度和像素长度尺度；

利用得到的像素宽度尺度和像素长度尺度，计算出不同目标的锚尺度，即像素宽度尺度为锚的宽，像素的长度尺度就是锚的长；

步骤(4)，利用步骤(3)中求得的目标的锚尺度，以像素点为中心建立不同的锚框，变换锚的长宽比，以一个像素为中心，加入9个不同尺度的锚，进而构成一个锚框，9个锚每三个为一组，每组内锚像素面积相等，用于识别相应的行人、小汽车、公交车目标；每一个锚框通过训练可以回归出两组数据，一组数据是四维的锚框数据，另一组是带有锚的得分的数据；

步骤(5)，将所有的锚框得分进行比较排序，选出得分大于阈值的作为有效的锚框，并且将这些锚框合并到一起得到RPN网络；

步骤(6)，将步骤(5)得到的RPN送入卷积神经网络，利用锚框的得分，从RPN求出RoI；在得到RoI后进行卷积和池化操作，然后将其进行Softmax回归操作；同时将其归一化到0至1区间，或者到-1至1区间；然后对其进行Average操作，取其平均，最终得到物体在大类下的概率P_cls；其中RoI表示感兴趣区域；

步骤(7)，将步骤(5)中得到的RPN根据长宽比分为两类，一类锚的长宽比小于1.5，将RoI映射到利用3*3的卷积模板进行卷积得到的K₁层特征图上；另一类Anchor的长宽比大于1.5，将RoI映射到利用3*5的卷积模板进行卷积得到的K₂层特征图上；然后同步骤(6)一样，进行Average和Softmax操作，分别得到概率为a_①和a_②；

步骤(8)，将步骤(6)中得到的P_cls和对应的a_①或a_②进行矩阵乘法；根据乘法后得到的值，即可给出相应的候选框以及框内物体的种类及概率，在此时得到能够精准检测识别无人机低空目标的网络；将无人机航拍的视频或图像信息输入网络，即可输出带有目标信息的视频或图像。

2.如权利要求1所述的无人机低空目标精准检测识别方法，其特征在于，步骤(1)具体为：根据相机的成像原理，将相机抽象成四个坐标系下的模型，四个坐标系中可以得到如下式的像素坐标系-世界坐标系的转换关系：

其中，μ、v为像素坐标系下的坐标点，U、V、W分别为世界坐标系下x、y、z三个方向的坐标，M_int矩阵为相机的内参数矩阵，M_ext矩阵为云台相机的外参数矩阵，可以通过下面这个模型求得云台相机外参矩阵：

设O-xyz为世界坐标系，O’-xy’z’为相机坐标系，两坐标系原点O-O’之间只相差一个z方向上的h，h为飞机高度，而相机相当于绕x轴转动了α度，根据上述模型及已知条件，可以求得外参矩阵为：

内参和外参可通过上述模型求得，通过该模型可以得知无人机航拍图像像素坐标系和世界坐标系的关系，最终导出无人机像素坐标系-世界坐标系的转换关系：

μ为像素坐标系μ轴方向的坐标；

v为像素坐标系v轴方向的坐标；

a_ij为相机的内参参数；

f为相机的焦距；

h为无人机飞行高度；

α为无人机拍摄时的俯仰角；

U、V、W分别为世界坐标系下x、y、z三个方向的坐标。