[发明专利]一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置

说明书

本发明公开了一种基于DenseHR‑Net的无人机自主着陆目标提取方法及装置，所述方法包括：通过地面摄像机拍摄无人机的RGB三通道图像后进行图像预处理，得到统一标准尺寸的RGB图像；通过搭建DenseHR‑Net目标检测网络模型对RGB图像进行无人机的关键区域检测定位，识别图像中的若干个关键区域的最小外接矩形检测框；根据预设的优先级策略，从图像中的若干个关键区域选取其中一个作为关键点坐标区域，提取出关键点坐标区域的最小外接矩形检测框的中心点坐标，作为无人机着陆的关键点坐标。本发明采用深度学习网络DenseHR‑Net对无人机各位置进行目标检测，能够有效提取无人机自主着陆目标，提高无人机各位置的定位精度，同时避免出现机头误检或漏检的情况，并增强了检测算法的鲁棒性。

技术领域

本发明涉及无人机技术领域，尤其是涉及一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置。

背景技术

随着无人机技术的发展，无人机自主着陆回收是当前无人机研发时需要面临的技术挑战之一，而完整的双目视觉无人机自主着陆引导过程包括系统建模、相机标定、图像预处理、目标检测和位置解算等几个部分。其中，目标检测是从摄像机捕获到的图像中提取无人机机头图像坐标的精确值，是整个系统的关键一环。

但是，在对现有技术的研究与实践的过程中，本发明的发明人发现，现有的目标检测技术一般通过利用提取角点、光流法以及颜色概率密度法等方法来提取飞机机头的坐标，但是上述方法在精确度上均无法满足目标检测或提取的基本要求。虽然现有技术中还能通过主动轮廓提取方法进行目标检测，但该方法在实时性方面出现表现较差的问题。另外，由于视频流中飞机机头检测无法避免机头漏检和误检等问题，尤其，在气象条件恶劣的情况下，现有技术中的检测算法也难以满足相关的鲁棒性要求。因此，亟需一种能够克服上述缺陷的无人机关键点检测方法。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置，能够有效提取无人机自主着陆目标，提高无人机各位置的定位精度，通过检测和定位无人机的多个关键部位，在出现机头误检漏检情况时，也能够利用其他部位进行无人机定位，并增强了检测算法的鲁棒性。

为解决上述问题，本发明的一个实施例提供了一种基于DenseHR-Net的无人机自主着陆目标提取方法，至少包括如下步骤：

在无人机着陆过程中，通过地面摄像机拍摄无人机的RGB三通道图像后进行图像预处理，得到统一标准尺寸的RGB图像；

通过搭建DenseHR-Net目标检测网络模型对所述RGB图像进行无人机的关键区域检测定位，识别出所述RGB图像中的若干个关键区域的最小外接矩形检测框；其中，所述关键区域包括无人机机头、无人机机翼和无人机机体；

根据预设的优先级策略，从所述RGB图像中的若干个关键区域选取其中一个作为关键点坐标区域，提取出所述关键点坐标区域的最小外接矩形检测框的中心点坐标，作为无人机着陆的关键点坐标。

进一步地，所述图像预处理，具体为：

采用双线性插值法将所述RGB三通道图像统一调整为416*416尺寸的RGB图像。

进一步地，所述通过搭建DenseHR-Net目标检测网络模型对所述RGB图像进行无人机的关键区域检测定位，识别出所述RGB图像中的若干个关键区域的最小外接矩形检测框，具体包括：

搭建DenseHR-Net目标检测网络模型的框架，将所述RGB图像输入至DenseHR-Net目标检测网络模型进行特征提取；

采集无人机着陆的RGB图像，在构建所述DenseHR-Net目标检测网络模型的样本数据集后，对所述样本数据集进行扩充；

通过扩充后的样本数据集对所述DenseHR-Net目标检测网络模型进行训练，训练完成后得到最终的DenseHR-Net目标检测网络模型；