[发明专利]基于重结构化类脑卷积的无人机视角下的车辆检测方法

说明书

本发明公开了一种基于重结构化类脑卷积的无人机视角下的车辆检测方法，先将标注好的无人机视角车辆检测数据集划分为训练集和测试集，并进行预处理；然后利用加入了重结构化类脑卷积模块的深度卷积神经网络实现对输入数据的高速特征提取及自适应语义信息加强，抑制通道噪声，并构建特征金字塔；接着使用单阶段检测头FCOS在修正后的特征金字塔上进行目标类别与位置信息预测，并进行位置信息的解码，得到训练结果；最后对神经网络进行重结构化，将重结构化卷积结构中的并行分支压缩至单一分支，提升模型运行速度。这种检测方法采用的网络结构设计合理，针对无人机视角下的车辆目标的检测效果良好且算法能够满足对无人机平台上进行实时处理的需求。

技术领域

本发明涉及视频图像处理领域，尤其涉及一种基于重结构化类脑卷积的无人机视角下的车辆检测方法。

背景技术

相较于传统的固定视角监控视频，无人机视频具有视角灵活、时效性强、监视范围广等优点，使得无人机监控市场在近些年得到迅猛发展。如何有效利用无人机视频的优点，成为智能监控的重要环节。其中，无人机视频中车辆检测作为智能监控的基础，同时也是计算机视觉的热点方向之一，被国内外研究者所关注。

目前，无人机视频目标检测算法大致可以分为两类，一类是单帧无人机图像目标检测，该类方法使用通用目标检测网络对无人机视频中的每一帧进行特定目标的检测；另一类是视频目标检测，该类方法利用视频帧间的运动和时序信息，对视频中的特定目标进行检测。

在单帧无人机图像目标检测方法的研究中，现有目标检测模型可分为传统模型和深度学习模型两大类；其中，深度学习模型相较于传统模型，检测结果更精确、检测速度更快、检测效果更好。Faster-Rcnn的使用大幅度提升了无人机图像中车辆检测的精度。通过改进SSD，并结合Focal loss来实现无人机图像中目标的快速检测。通过使用Yolov3的变体来实现无人机图像中目标的快速检测。这一类方法在单帧无人机图像中优势明显，但是当目标存在遮挡时容易漏检。目前现有的检测方法需求算力大，所需计算设备难以搭载在嵌入式设备上进行实时检测，给无人机检测应用带了很大困难。而现有嵌入式上检测算法难以应对无人机视角下的车辆检测任务，精度差。

发明内容

本发明所要解决的技术问题是，提供一种基于重结构化类脑卷积的无人机视角下的车辆检测方法，能够克服现有检测方法算力需求高以及设备要求复杂的特点。

为了解决上述技术问题，本发明是通过以下技术方案实现的：一种基于重结构化类脑卷积的无人机视角下的车辆检测方法，包括以下步骤：

(1)将标注好的无人机视角车辆检测数据集划分为训练集和测试集，并对训练集和测试集进行预处理；

(2)利用加入了重结构化类脑卷积模块的深度卷积神经网络实现对输入数据的高速特征提取及自适应语义信息加强，抑制通道噪声，并在此基础上构建特征金字塔；

(3)使用单阶段检测头FCOS在修正后的特征金字塔上进行目标类别与位置信息的预测，然后进行位置信息的解码，得到训练结果；

(4)对神经网络进行重结构化，将重结构化卷积结构中的并行分支压缩至单一分支，提升模型运行速度。

进一步地，所述步骤(2)中使用的深度卷积神经网络具有4个阶段：

阶段1包含2个重结构化卷积瓶颈结构，瓶颈结构卷积层步长为1，2，输出特征图的通道数依次为16、36，中间层扩增倍率为1，3，激活函数为Relu函数；

阶段2包含2个重结构化卷积瓶颈结构，瓶颈结构卷积层步长为1，2，输出特征图的通道数依次为36，60，中间层扩增倍率为3，3，激活函数为Relu函数；

阶段3包含2个重结构化卷积瓶颈结构，瓶颈结构卷积层步长为1，2，输出特征图的通道数依次为60、120，中间层扩增倍率为3，6，激活函数为Relu函数；