(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111654281.9 (22)申请日 2021.12.3 0 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 胡馨之　潘勉　吕帅帅　金建国　 唐金龙　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 朱月芬 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于无锚点级联检测的无人机图像车 辆目标识别方法 (57)摘要 本发明公开了一种基于无锚点级联检测的 无人机图像车辆目标识别方法。 首先使用 Resnet50对输入的 图像的进行多尺度特征提取， 得到自下而上的多个特征； 然后对高层的特征进 行上采样， 并与低层特征相融合以获得融合后的 特征； 将输出的不同尺度的特征划分成小特征图 和大特征图两类， 分别用于检测小目标与大目 标； 在检测过程中结合无锚点的方法， 先对高层 的特征图进行检测， 得到粗略的检测结果， 再将 此结果输入到低层， 在高层的检测结果之上进行 进一步的检测， 最终得到一个较为精确的检测结 果。 本发明改善目标检测的漏检率和误检率， 减 少了不必要的计算， 大 大提高检测的速度。 权利要求书3页 说明书7页 附图1页 CN 114419433 A 2022.04.29 CN 114419433 A 1.一种基于无锚点级联检测的无人机图像车辆目标识别方法， 其特征在于， 包括以下 步骤： S1： 选取数据集； 采用现有的UA VDT数据集作为本方法的数据集， 对 模型进行训练； S2： 采用Resnet5 0对输入的原 始图片进行 特征提取， 获得多尺度的特 征图； S3： 依次将S2中输出的高层特征图进行两倍上采样， 并与S2中的低层特征图相加， 得到 融合后的特征图； 为了使后续的检测模块能够拥有更多尺度的特征， 将融合后的特征图中 的最上层特征图进行连续两倍下采样， 得到扩展的两层特征图； 最后得到一个 自顶向下 的 金字塔结构的多尺度融合后的特 征图； S4： 对S3处 理后的特 征图进行级联检测； S5： 划分正负样本； 对于金字塔结构的每一层特征图， 在S4得到的结果的基础上， 计算 其每个点的适应度， 并将所有适应度的值统计得到全局阈值， 高于阈值的为正样本， 否则为 负样本； S6： 检测目标的类别与位置； 根据需要选用合适的无锚点检测器； 将特征图分别输入分类、 回归两个子网络， 在S5得 到的正样本上， 对检测结果进行进一步调整； 将预测框输入归回网络， 调整框的位置， 并计 算预测框的类别置信度， 置信度较高的类别即为目标的类别； 最后使用非极大值抑制， 在众 多预测框中保留单个 类别中检测结果 最好的一个， 得到最后的检测结果。 2.根据权利要求1所述的一种基于无锚点级联检测的无人机图像车辆目标识别方法， 其特征在于， S2详细步骤为： 使用Resnet50作为特征提取模块的主干， 提取原始图片的特征； Resnet50共有五个阶 段， 每个阶段都会输出一个特征图， 同时也是下一阶段的输入； 不同阶段输出的特征图尺度 不同， 越上层的特 征图， 尺度越小， 通道数越多； 首先将输入的原 始图片进行处 理， 具体过程如下： Out＝Conv7×7(C， W， H， k， s)#(1) 其中Out代表第一阶段输出的特征图， Conv7×7代表大小为7 ×7的卷积层， C表示输入的 图片的通道数， RGB图像的通道数为3， W， H分别代表输入图片 的宽和高， k表示卷积核的大 小， s代表卷积核移动的步长； 其中k ＝64， s＝2； 其次对输出的特 征图依次进行 特征提取， 具体过程如下： Pi＝Conv3×3(Ci， W， H， ki， si)#(2) 其中， Pi为第i阶段输出的特征图， Conv3×3表示大小为3 ×3的卷积层， Ci表示第i阶段输 入的特征图的通道数， W， H分别代表输入特征图的宽和高； ki表示卷积核 的大小， 其中ki＝ 256×2i‑1； si代表卷积核移动的步长， si＝2； 最后输出四个特征图， 自下而上分别为{P2， P3， P4， P5}， 通道数分别为{25 6， 512， 1024， 2048}。 3.根据权利要求2所述的一种基于无锚点级联检测的无人机图像车辆目标识别方法， 其特征在于， S3 详细步骤为： 将特征图{ P2， P3， P4， P5}进行自顶向下的增强， 首先将S1中得到的特征图的通道归 一化， 并将最上层特征图P5平移得到N5； 将平移后的特征图进行反卷积， 将原特征图放大两倍， 然 后与S1中的低层特征图横向连接， 得到新的特征图N4； N4重复进行放大与横向连接操作， 直权　利　要　求　书 1/3 页 2 CN 114419433 A 2与S1中低层特征图全部完成横向连接； 同时， 为了使后续的检测模块拥有更多尺度的特征 图， 将N5特征图进行 连续两次的两倍下采样； 具体表现为： 其中Ni为特征融合后的第i层特征图， Conv1×1为大小是1 ×1的卷积， devonv( ·)表示像 素混洗函数对特征进行上采样， L( ·)代表通道归一化操作， Ni+1为相对于Ni的上一层特征 图， kn为卷积核的数量， s为卷积核移动的步长， 其中kn＝256， sn＝1； Pi为Resnet50特征提取 后得到的相较于Ni+1低一层的特征图； Conv3×3为大小为3 ×3的卷积核， Ni‑1为相较于Ni的低 一层特征图， kd为卷积核个数， sd为卷积核移动的步长； 其中kd＝256， sd＝2； 最终输出初步 融合后的特 征图为{N2， N3， N4， N5， N6， N7}。 4.根据权利要求3所述的一种基于无锚点级联检测的无人机图像车辆目标识别方法， 其特征在于， 将S3处理后的特征图按尺寸从小到大排序并对半划分为两组， 较大的一组特 征图用于检测小目标， 较小的一组特征图用于检测大目标； 对于每一类特征图， 计算每一组 中最小特征图中每个点映射到原图中含目标的可能性； 可能性为 1说明该点含目标， 可能性 为0说明该点不含目标； 将可能性为1的区域映射到当前组中的下一层特征图用于检测， 同 时下一层也将计算特 征图中每 个点包含目标的可能性， 用于之后的检测计算。 5.根据权利要求4所述的一种基于无锚点级联检测的无人机图像车辆目标识别方法， 其特征在于， S4详细步骤为： S4.1： 首先将S3中输出的特征图按尺寸从小到大排序， 并对 半分为两组， 分别为{N2， N3， N4}和{N5， N6， N7}； {N2， N3， N4}用于检测大目标， {N5， N6， N7}用于检测小目标； 小目标的定义 为： 目标框大小 小于等于 32×32像素的； 目标框大于 32×32像素的都为大目标； S4.2： 首先计算特征图上的存在目标的可能性； 将原图中任意目标的真实框的中心点 映射到特征图中， 即其理论中心点； 计算各分组中的最小特征图中的每个点与 理论中心点 的距离， 与 理论中心点距离最小的点表示该点所代表该目标在此特征图中的实际中心点； 计算实际中心 点对应的真实框在此特征图上的大小， 并计算32 ×32像素投影到不同特征图 中的面积， 即每个特征图上的面积阈值； 对特征图{N5， N6， N7}而言， 若此特征图上框的大小 大于面积阈值， 则将实际中心点标记为 1， 否则标记为0； 对于特征图{N2， N3， N4}而言， 若此特 征图上框的大小小于等于面积阈值， 将这点标记为1， 否则标记为0； 将标记为1的点映射到 对应特征组中的下一层特征图中； 下一层特征图针对所有标记为1的点再依 次计算每一点 存在大目标的可能性， 以此类 推； 具体表现为： area＝32 ×32×2‑l#(6) 权　利　要　求　书 2/3 页 3 CN 114419433 A 3