[发明专利]一种时空注意力机制的无人机弱小目标探测方法

说明书

本发明的一种时空注意力机制的无人机弱小目标探测方法，其包括：步骤S1：基于空间注意力的级联传递和多尺度融合目标特征提取；步骤S2：基于时间注意力的图像特征序列输入；结合目标在持续探测过程中的空间位置和姿态特征的时间连续性，使用一段连续的特征序列作为输入，并将其输入到一个由时序网络搭建的时间注意力结构对目标信息进行增强；步骤S3：基于时空注意力的决策输出；根据时空注意力结构提取的图像特征，输出目标位置和类别置信度。本发明具有高效率、低成本、数据精确、操作灵活等优点。

技术领域

本发明主要涉及到无人机技术领域，特指一种时空注意力机制的无人机弱小目标探测方法。

背景技术

小型无人机通过携带可见光载荷，对所辖区域实施智能图像侦察和场景感知，在农业、畜牧业、森林防火、军事应用等领域具有使用灵活、高性价比、环境适应好等优势。

受制于山地/森林/高原地形和气候条件，无人机拍摄的图像目标往往只有十几个像素，其形状纹理容易淹没在背景中，给目标检测跟踪带来了极大挑战。现阶段，深度学习方法在目标检测领域取得了一定成效，通过多尺度卷积和非线性变换，深度学习方法性能远超传统的“手工特征+机器学习”方法。然而，现有方法主要针对水平近距离场景，对于高空拍摄的弱小目标检测效果有限。究其原因，一方面高空拍摄的小目标信息随着深度学习的卷积和池化结构，信息逐渐损失，对决策层的影响微弱；另一方面，俯视条件下的目标纹理微弱、特征点少，其视角、光线、遮挡等环境变化容易引起目标变形。主要体现在：

(1)复杂地形环境目标伪装性强、目标尺寸小形变大；

(2)现有针对平视/近距离/常规尺寸的目标检测算法对无人机视角拍摄的远距离/小尺寸目标检测效果有限；

考虑到复杂环境场景扰动多、目标形变大、噪声多等特点，所设计的无人机目标探测算法需结合时间和空间、以及多尺度特征互补性以提高目标检测的精准性和鲁棒性。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种高效率、低成本、数据精确、操作灵活的时空注意力机制的无人机弱小目标探测方法。

为解决上述技术问题，本发明采用以下技术方案：

一种时空注意力机制的无人机弱小目标探测方法，其包括：

步骤S1：基于空间注意力的级联传递和多尺度融合目标特征提取；

步骤S2：基于时间注意力的图像特征序列输入；

结合目标在持续探测过程中的空间位置和姿态特征的时间连续性，使用一段连续的特征序列作为输入，并将其输入到一个由时序网络搭建的时间注意力结构对目标信息进行增强；

步骤S3：基于时空注意力的决策输出，根据时空注意力结构提取的图像特征，输出目标位置和类别置信度。

作为本发明方法的进一步改进：所述步骤S1中，包括：结构1是主干网络，同于SSD结构(Single Shot MultiBox Detector，多尺度目标检测器)；结构2是特征金字塔结构；结构3是通道间的级联传递结构；结构4是深层和浅层通道间的多尺度融合结构；结构5是提取的目标图像特征。

作为本发明方法的进一步改进：在所述步骤S1中，所述空间注意力机制级联传递中，通过多个卷积通道对上一层数据处理，再加性融合得到下一层数据。

作为本发明方法的进一步改进：在所述步骤S1中，所述空间注意力机制多尺度融合，通过空间注意力结构对多个不同尺度的卷积层数据进行加权融合，使模型关注卷积通道中的重点局部信息。