论文部分内容阅读
目前,无人机技术日趋成熟,无人机的应用范围也日趋增大,一些隐患也随之而来。一些人非法使用无人机造成了安全事故。因此,对无人机飞行进行合理的管制是非常必要的。红外相机和可见光相机是常用的无人机监视手段,本文对红外和可见光图像中的无人机目标进行多尺度检测以增加探测器对无人机的监视范围。首先,进行目标检测算法YOLOv3的目标尺度边界分析。研究了基于锚框的一阶目标检测算法的基本结构和YOLOv3的基本原理。尝试使用双线性插值代替最近邻插值进行上采样来增强YOLOv3对小目标的检测能力。使用无人机图像集训练后测试了YOLOv3的目标尺度边界,发现双线性插值并不能提高YOLOv3对小目标的检测能力。然后,基于YOLOv3的主干网络Darknet-53进行图像中小目标无人机的检测方法研究,为改进YOLOv3实现对无人机目标的多尺度检测提供理论和实验依据。研究了使用边界框回归进行小目标检测的可能性,分析得出当使用边界框进行小目标检测时不仅参数多,而且因为大尺度目标对损失函数的贡献大于小目标,小目标检测的性能必定受到抑制。针对边界框回归不适合用于小目标检测的问题,设计了基于尺度变换层的网络来预测图像中每个点是小目标的概率。为了验证感受野对小目标检测性能的影响,截取了Darknet-53的不同深度部分作为特征提取网络。针对小目标的特性设计了数据增强方法,在网络中使用了正则化和批归一化抑制过拟合。使用收集到的和仿真的小目标图像对设计的小目标检测方法进行了测试。最后,为了减小YOLOv3的目标最小可检测尺度,设计了基于特征融合的多尺度目标检测算法。为了同时使用边界框回归和实例分割检测多尺度目标,将YOLOv3的特征提取网络增加浅层分支来检测小目标,同时设计了多任务损失函数。卷积神经网络中浅层特征具有更多的位置信息,深层特征具有更多的语义信息,将浅层分支与深层特征进行融合来进行多尺度目标检测。制作数据集时,针对不同尺度的目标使用了不同的标注方法,对于小于设定尺度的目标进行像素集的标记。使用图像对设计的多尺度目标检测方法进行了训练与测试,方法对测试的小目标图像序列虚警率为1.6×10-4时检测率为97.78%,而且对无人机的AP相对YOLOv3增加了1.8%。