[发明专利]一种基于目标空间分布特征的无人机航拍车辆检测方法

说明书

本发明公开了一种基于目标空间分布特征的无人机航拍车辆检测方法，该方法首先基于条件生成对抗CGAN思想构建航拍车辆密度估计网络，生成车辆密度图，由此获得车辆目标空间分布特征；其次，依据目标空间分布特征对高分辨率航拍车辆图像实现自适应切分，得到若干局部图像块；最后，利用局部图像块以及原始无人机航拍车辆图像分别训练得到一个单阶段车辆检测器，并将全局图像与局部图像块的检测结果基于Soft‑NMS算法进行决策级融合后，输出最终检测结果。本发明提出的无人机航拍车辆检测方法避免了因原始图像缩放而导致的目标像素特征点丢失情况的出现，进一步提升了车辆检测精度。

技术领域

本发明属于智能交通领域，尤其涉及一种基于目标空间分布特征的无人机航拍车辆检测方法。

背景技术

近年来，智能交通系统的有关研究受到了各界学者的广泛关注，准确、实时地对道路交通场景信息的全方位感知是构建智能交通系统的重要环节，其中对交通的主要参与者车辆进行检测识别，是进行交通态势感知评估的必要前提。相比于路侧安装固定摄像头的方式，在无人机航拍视角下对道路交通中的车辆进行感知，具有高灵活、宽视角以及大范围优势，这对于对弥补传统路侧视角下环境感知方法固有缺陷、推动智能交通系统的构建与发展具有重要意义。

同时，随着深度学习技术的快速发展以及其在目标检测领域的出色表现，国内外研究者利用深度学习算法针对于航拍视角下的车辆检测也有了广泛的研究。而现有研究多聚焦于已有目标检测器在航拍车辆检测任务上的优化改进，虽然在检测精度以及速度上取得了一定效果，但是忽略了将高分辨率航拍图像直接缩放输入检测器所造成的图像中车辆目标，尤其是航拍视角下占比较高的小尺度车辆目标像素特征点损失的问题，在输入源上便已经造成了目标特征信息的丢失，由此对目标检测器的检测性能带来严重影响。因此，需要考虑采用将航拍图像进行切分后输入目标检测器的检测方法，然而当下已有的针对于原始高分辨率航拍图像切分策略主要为平均切分，即将原始航拍图像平均切分为若干等大的图像块后，送入车辆检测器。但是平均切分的方法会导致出现某一图像切片全为无效背景区域以及车辆目标的截断等问题，影响目标识别精度。

发明内容

为了解决上述存在的问题，本发明提出一种基于目标空间分布特征的无人机航拍车辆检测方法。该方法可以依据车辆目标在无人机航拍图像中的空间分布特征进行图像的自适应切分，从而有效避免目标截断以及无效背景区域情况的出现，进一步提高了航拍车辆检测精度。

为了达到上述目的，本发明提供如下技术方案：

基于目标空间分布特征的无人机航拍车辆检测方法，包括以下步骤：

(1)首先，基于条件生成对抗CGAN思想构建航拍车辆密度估计网络，生成车辆密度图；具体包括以下步骤：

(1.1)搭建U型编解码对称式结构的生成器网络G；网络主体结构共包含13层卷积，其中第1、2、4与6层采用可学习的卷积操作实现4次两倍下采样，与之对应地，第8、10、12与13层采用反卷积操作对编码后得到的图像语义特征进行解码并恢复特征图的分辨率，上采样以及下采样卷积中使用的卷积核尺寸均为3×3；生成网络第3、5、7、9、11层各引入两组含有两个3×3卷积核的残差块结构，其中第3、5、7层残差块中采用混合空洞卷积，对于n个连续卷积核大小为K×K的卷积层，其扩张率r设置依据为：

式(1)中M为两个非零值之间的最大距离，由此设计生成器网络中每个残差块中的两个3×3空洞卷积扩张率r分别为1，2；每个卷积层后加入批量标准化层，激活层使用LeakyReLU作为激活函数，并在编码与解码结构中对应的同等分辨率尺寸特征图之间加入跳连接；网络中的卷积核数均设置为64，并在解码器的最后一层后进行一个输出通道数为一的1×1卷积操作；