[发明专利]一种基于YOLOv5算法的迷彩伪装目标检测方法及系统

说明书

本发明公开了一种基于YOLOv5算法的迷彩伪装目标检测方法及系统，包括：采集包含迷彩伪装目标的实时战场图像数据，将实时战场图像数据输入至预先训练的迷彩伪装目标检测模型中获取对伪装目标的检测结果；所述迷彩伪装目标检测模型的训练过程包括:获取历史战争图像数据,构建训练数据集合；将提取网络、聚合网络和基于YOLOv5算法的检测模块构建迷彩伪装目标检测模型；利用训练数据集合训练迷彩伪装目标检测模型，重复训练过程直至迷彩伪装目标检测模型的检测准确率趋于稳定；本发明能够显著提升检测精度，缩减网络规模，并满足军事行动中实时、准确感知战场态势的要求。

技术领域

本发明属于机器视觉技术领域，具体涉及迷彩伪装目标检测方法及系统。

背景技术

随着战争形态由信息化向智能化转变，无人作战等新兴领域对战场态势的感知能力提出了更高要求。在军事行动中，迷彩是较为常用的伪装手段，其能模拟自然环境的颜色特性，破坏伪装目标轮廓，使目标与周围背景相融合，从而实现伪装的效果。迷彩伪装对感知战场态势产生重大干扰，高效、精准地发现和检测迷彩伪装目标成为提升战场态势感知能力的关键。

近年来，深度神经网络被大规模应用于目标检测任务中，并取得了良好的效果。根据候选区域(Region Proposals)生成方式的不同，可以将深度目标检测算法分为双阶段算法与单阶段算法。双阶段检测算法在第一阶段生成可能包含目标的候选区域，在第二阶段对候选区域的位置进行调整，并输出所包含目标的类别，典型算法包括R-CNN、Fast RCNN、Faster RCNN、Cascade RCNN等。双阶段算法的检测精度较传统算法大幅提升，但存在检测速度较慢、训练优化困难等问题。

单阶段检测算法直接在骨干网络提取出的特征图上生成候选区域，并完成后续检测，典型方法包括YOLO系列、SSD等。单阶段算法的检测速度较双阶段算法有明显的提升，能满足实时感知战场态势的要求，然而单阶段算法对迷彩伪装目标特征的提取能力较弱，导致其在迷彩目标检测任务上的效果并不出众。

发明内容

本发明的目的在于提供一种基于YOLOv5算法的迷彩伪装目标检测方法及系统，能够显著提升检测精度，缩减网络规模，并满足军事行动中实时、准确感知战场态势的要求。

为达到上述目的，本发明所采用的技术方案是：

本发明第一方面提供了一种基于YOLOv5算法的迷彩伪装目标检测方法，包括：

采集包含迷彩伪装目标的实时战场图像数据，将实时战场图像数据输入至预先训练的迷彩伪装目标检测模型中获取对伪装目标的检测结果；

所述迷彩伪装目标检测模型的训练过程包括:

获取历史战争图像数据,构建训练数据集合；

基于YOLOv5算法的骨干网络将C3模块替换为DC3模块获得提取网络，基于YOLOv5算法的头部网络、DC3模块和动态注意力机制模块构建聚合网络；将提取网络、聚合网络和基于YOLOv5算法的检测模块构建迷彩伪装目标检测模型；

利用训练数据集合训练迷彩伪装目标检测模型，重复训练过程直至迷彩伪装目标检测模型的检测准确率趋于稳定。

优选的，将实时战场图像数据输入至预先训练的迷彩伪装目标检测模型中获取对伪装目标的检测结果的方法包括：

将实时战场图像数据输入预设的提取网络，提取得到实时战场图像数据中迷彩伪装目标的特征图；

利用聚合网络对提取到的特征图进行融合，融合得到迷彩伪装目标的增强特征图；

对增强特征图进行检测得到迷彩伪装目标的类别及在原始图像中的位置信息。