基于视觉感受野的无人机目标检测
发布时间：2021-10-21 13:57
近年来,无人机被应用在越来越多的领域,尤其是在军事和民用领域。机场中由于无人机的误飞,会对客机的运行造成严重影响,从而威胁人们的生命财产安全。因此,如何高效精准地检测出机场中飞行的无人机至关重要。无人机目标检测是一个具有挑战性的问题。基于构建的无人机目标检测数据集,提出基于感受野的无人机目标检测算法。实验和主流方法做对比和分析,结果表明算法能取得较好的检测效果。
【文章来源】：现代计算机. 2020,(15)
【文章页数】：5 页
【部分图文】：
RFB-Darknet特征提取器
数据决定了学习的上限，而神经网络只是逼近这个上限，所以一开始的数据收集工作，起到了关键的作用。其中，数据的采集又是非常困难的，因为针对无人机目标检测问题，并不存在公开的标准训练数据库能够训练神经网络，所以只能按照现有的条件重新采集新的数据。无人机数据集采集主要是通过使用摄像机对6种市面主流的消费级无人机（五种不同大小不同形状的四旋翼无人机和一种直升机）和主要干扰物气球进行拍摄视频，然后对视频进行抽帧，得到无人机图片，之后再对图片进一步筛选标注，就得到了无人机的数据集。数据集的分布与样例如表1-表3。对得到的数据集进一步预处理，首先包括颜色随机调整（包括对比度、饱和度、亮度和灰度）以及对图像进行裁剪、缩放和翻转操作，其次使用双边滤波对图像进行去噪，从而达到保持图像边缘特性平滑去噪的目的。
由于双阶段目标检测算法具有检测精度更高的优点，所以本文采用俩阶段检测算法中的经典框架Faster R-CNN[5]作为主要检测框架。Faster R-CNN使用区域候选网络（RPN）替代Fast R-CNN[14]中的选择搜索，同时引入锚框（anchor box）应对目标形状的变化问题，另外Faster R-CNN使用感兴趣区域池化层（ROI pooling layer）把不同大小输入映射到一个固定尺度的特征向量。Faster R-CNN检测算法的主要流程如下：将整张图片输进特征提取网络，得到feature map；将卷积特征输入到RPN，得到候选框的特征信息；对候选框中提取出的特征，使用分类器判别是否属于一个特定类；对于属于某一类别的候选框，用回归器进一步调整其位置。框架流程如图2所示。4.2 RFB-Darknet特征提取器
本文编号：3449117
【文章来源】：现代计算机. 2020,(15)
【文章页数】：5 页
【部分图文】：
RFB-Darknet特征提取器
数据决定了学习的上限，而神经网络只是逼近这个上限，所以一开始的数据收集工作，起到了关键的作用。其中，数据的采集又是非常困难的，因为针对无人机目标检测问题，并不存在公开的标准训练数据库能够训练神经网络，所以只能按照现有的条件重新采集新的数据。无人机数据集采集主要是通过使用摄像机对6种市面主流的消费级无人机（五种不同大小不同形状的四旋翼无人机和一种直升机）和主要干扰物气球进行拍摄视频，然后对视频进行抽帧，得到无人机图片，之后再对图片进一步筛选标注，就得到了无人机的数据集。数据集的分布与样例如表1-表3。对得到的数据集进一步预处理，首先包括颜色随机调整（包括对比度、饱和度、亮度和灰度）以及对图像进行裁剪、缩放和翻转操作，其次使用双边滤波对图像进行去噪，从而达到保持图像边缘特性平滑去噪的目的。
由于双阶段目标检测算法具有检测精度更高的优点，所以本文采用俩阶段检测算法中的经典框架Faster R-CNN[5]作为主要检测框架。Faster R-CNN使用区域候选网络（RPN）替代Fast R-CNN[14]中的选择搜索，同时引入锚框（anchor box）应对目标形状的变化问题，另外Faster R-CNN使用感兴趣区域池化层（ROI pooling layer）把不同大小输入映射到一个固定尺度的特征向量。Faster R-CNN检测算法的主要流程如下：将整张图片输进特征提取网络，得到feature map；将卷积特征输入到RPN，得到候选框的特征信息；对候选框中提取出的特征，使用分类器判别是否属于一个特定类；对于属于某一类别的候选框，用回归器进一步调整其位置。框架流程如图2所示。4.2 RFB-Darknet特征提取器
本文编号：3449117
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3449117.html
