[发明专利]一种消防无人机进行火源目标识别的方法

说明书

本发明涉及一种消防无人机进行火源目标识别的方法，包括：采用无人机携带摄像头采集待测图像；将待测图像导入卷积神经网络，得到卷积特征图；在全连接层前，利用RPN对提取的卷积特征图进行处理，得到候选框的特征信息，即候选区域。综合卷积层特征和候选框的信息，将候选框在输入图像中的坐标映射到卷积特征图的最后一层中；再对ROI用最小外接矩形算法进行处理，使每个ROI层，得到固定尺寸的特征图，并与后面的全连接层相连；在全连接层后，利用探测分类概率判断并提取特征图的类别，并利用回归器对同属于某一特征的候选框进行位置调整，将分类概率和边框回归进行联合训练，从而得到目标区域；最后得到火源位置的目标图像。

【技术领域】

本发明属于无人机应用以及计算机视觉领域，尤其涉及一种消防无人机进行火源目标识别的方法。

【背景技术】

对消防无人机采集到的图像进行目标识别，从而准确定位目标所在位置，便于后续跟踪和分析火灾情况和特点。目标识别是指一个特殊目标(或一种类型的目标)从其它目标(或其它类型的目标)中被区分出来的过程。这里所指的目标是火灾现场，也就是从复杂的图像中识别出火灾区域。目前，对于火源图像的识别主要是根据火源图像所具有的特性如色谱特性、可见光和红外辐射特性、蔓延趋势情况等图像信息特性来区分出火源或烟雾区。火灾图像检测一种方法是基于BP神经网络对图像颜色特征、纹理特征和形状特征进行火灾图像探测的方法。这种方法对人工特征的选取具有依赖性。另一种方法是对图像先进行分割，然后利用图像特性从图像中识别或分类检测出图像中的火灾区域。这种方法虽然能识别出图像信息，但是具有时间复杂度高，鲁棒性不高等问题。

【发明内容】

为了解决上述问题，以及克服现有火灾识别应用算法在检测速度及检测精度的技术缺陷，本发明提出了一种消防无人机进行火源目标识别的方法。

本发明采用的技术方案如下：

一种消防无人机进行火源目标识别的方法，包括以下步骤：

步骤S1：利用无人机携带摄像头对可能的火源区域进行拍摄，获取到待测图像；

步骤S2：将所述待测图像导入卷积神经网络，进行特征提取，得到卷积特征图；

步骤S3：利用RPN对提取的卷积特征图进行处理，得到候选框的特征信息；综合卷积层特征图和候选框的信息，将候选框在输入图像中的坐标映射到卷积特征图的最后一层中；

步骤S4：对候选框运用最小外接矩形算法进行处理，即综合卷积特征图和候选框的信息，对候选框信息进行提取，减少背景信息，使每个ROI层，得到固定尺寸的特征图，并输入全连接层；

步骤S5：在全连接层后，利用探测分类概率判断并提取特征图的类别，并利用边框回归器对同属于某一特征的候选框进行位置调整，将分类概率和边框回归进行联合训练，从而得到目标区域；

步骤S6：基于所述目标区域，得到带有火源目标的图像。

进一步地，所述步骤S2具体包括：将彩色的待测图像转换为灰度图像，利用滤波器对灰度图像进行滤波，提取到特征图，再经过非线性单元，对特征图的对应区域经过LeakyReLU非线线单元处理；再进行最大值池化操作，从而得到卷积特征图。

进一步地，所述步骤S3中，所述RPN根据步骤S2所得到的结果用n*n的滑窗在卷积特征图上面滑动窗口，生成长度为256或512维长度的全连接特征。

进一步地，所述步骤S4中，最小外接矩形算法的计算方法是：首先确定候选框的边框区域，并记录外接矩形长度、宽度和面积，设定旋转中心，将边框按一定角度旋转，并记录其轮廊在坐标系方向上的外接矩形参数，通过计算外接矩形面积求取最小外接矩形。

进一步地，所述步骤S5中，边框回归器是对原始目标窗口进行大小调整，平移或缩小与放大窗口，使其定位在合适的位置。