一种面向复杂低空场景的无人机目标检测方法及系统

本发明属于目标检测，具体涉及一种面向复杂低空场景的无人机目标检测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、随着低空经济、智慧交通、海事巡检、城市安防和应急救援等应用的发展，无人机等低空飞行器需要在复杂低空场景中对车辆、行人、船舶等目标进行视觉感知，从航拍图像中检测识别目标类别、边界框位置和置信度，实现无人机的自主巡检、低空监管和智能分析。

3、复杂低空航拍图像与普通地面图像相比具有更强的视角变化和背景复杂性，无人机拍摄时高度、俯仰角、光照、运动状态和拍摄距离均可能变化，同一类别目标在图像中的尺寸差异较大。远距离车辆、行人或船舶在图像中通常只占少量像素，目标边缘、轮廓和局部纹理较弱；同时，水面反光、道路纹理、建筑边缘、岸线结构、阴影以及海陆混合区域容易产生与目标相似的局部响应，从而增加误检风险。

4、现有的目标检测方法在通用图像目标检测中已具备较强适用性，但在复杂低空航拍图像中仍面临目标尺度小、背景干扰强、尺度变化大和目标响应不稳定等问题。

技术实现思路

1、为解决上述问题，本发明提出了一种面向复杂低空场景的无人机目标检测方法及系统，采用低空目标增强与重构检测网络（low-altitude target enhancement andreconstruction detection network，lterd-net），在保留小目标细节的同时抑制复杂背景干扰，对多尺度检测特征进行一致性重构，解决了现有的无人机目标检测在复杂低空场景下存在的小目标细节表征不足、复杂背景非目标响应干扰强以及多尺度检测特征表达不一致的难题，进而提高了检测过程中的特征表达稳定性。

2、根据一些实施例，本发明的第一方案提供了一种面向复杂低空场景的无人机目标检测方法，采用如下技术方案：

3、一种面向复杂低空场景的无人机目标检测方法，包括：

4、获取复杂低空场景的无人机航拍图像i；

5、根据所获取的图像和无人机目标检测网络，完成面向复杂低空场景的无人机目标检测；

6、其中，所述无人机目标检测网络采用低空目标增强与重构检测网络，在无人机目标检测的过程中，基于基础特征提取网络提取所获取图像的多层基础特征；其中，所提取的多层基础特征包括浅层高分辨率基础特征b1、中低层基础特征b2、中高层基础特征b3和深层基础特征b4；将浅层高分辨率基础特征b1和中低层基础特征b2输入到低空小目标细节注入单元lsdi，得到小目标细节增强特征d1；将小目标细节增强特征d1、中低层基础特征b2、中高层基础特征b3和深层基础特征b4输入到低空场景干扰门控单元lsig，得到干扰门控后的多层检测特征g1、g2、g3 和 g4；将多层检测特征g1、g2、g3 和 g4输入跨尺度目标一致性重构模块ctcr，得到多尺度重构检测特征 r1、r2 和 r3；将多尺度重构检测特征 r1、r2 和r3输入检测头或检测解码器，得到包括目标类别、边界框位置和置信度的检测结果 y，完成面向复杂低空场景的无人机目标检测。

7、作为进一步的技术限定，所述低空小目标细节注入单元包括浅层细节适配分支、语义适配分支、细节注入门控分支和输出整合分支；其中，所述浅层细节适配分支用于对浅层高分辨率基础特征进行局部细节提取和尺度适配，得到浅层细节响应；所述语义适配分支用于对中低层基础特征进行通道适配和语义约束表达，得到语义约束特征；所述细节注入门控分支用于根据语义约束特征生成细节注入门控系数，得到全局语义响应；所述输出整合分支用于将经门控筛选后的浅层细节响应注入语义约束特征，得到小目标细节增强特征。

8、作为进一步的技术限定，所述低空场景干扰门控单元包括基准特征适配分支、上下文投影分支、上下文融合分支、目标响应门控分支、背景干扰门控分支和残差调制输出分支；其中，所述基准特征适配分支用于根据当前输出层级选择对应的基准特征，并将该基准特征适配到目标输出通道，得到基准响应；所述上下文投影分支用于分别对小目标细节增强特征、中低层基础特征、中高层基础特征和深层基础特征进行通道投影，得到统一上下文通道的多层上下文特征；所述上下文融合分支用于将多层上下文特征对齐到当前输出尺度后进行整合，得到上下文融合特征；所述目标响应门控分支用于根据基准响应和上下文融合特征估计目标区域响应，生成目标响应门控系数；所述背景干扰门控分支用于根据基准响应估计背景干扰响应，生成背景干扰门控系数；所述残差调制输出分支用于根据目标响应门控系数和背景干扰门控系数对基准响应进行调制，并输出当前层级的干扰门控特征。

9、作为进一步的技术限定，所述跨尺度目标一致性重构模块包括多层特征投影分支、尺度对齐分支、跨尺度响应描述分支、尺度权重生成分支、加权重构分支和输出整合分支；其中，

10、所述多层特征投影分支用于分别将多层检测特征投影到统一通道维度；所述尺度对齐分支用于根据目标输出尺度，将多层投影特征上采样或下采样到同一空间尺度；所述跨尺度响应描述分支用于根据对齐后的多层特征形成跨尺度目标响应描述；所述尺度权重生成分支用于根据跨尺度目标响应描述生成不同层级特征的尺度权重；所述加权重构分支用于利用尺度权重对多层对齐特征进行加权聚合，得到当前尺度的重构特征；所述输出整合分支用于对重构特征进行两级 3x3 卷积－归一化－激活处理，输出多尺度重构检测特征。

11、作为进一步的技术限定，所述无人机目标检测网络采用端到端的深度学习监测框架，在无人机目标检测的过程中，基于残差网络的卷积神经网络提取所获取图像的原始特征图；融合并增强所提取到的原始特征图，得到增强特征图；解析所得到的增强特征图，得到图像的目标类别和边界框位置，完成面向复杂低空场景的无人机目标检测。

12、进一步的，在融合并增强所提取到的原始特征图的过程中，在特征编码器中采用自顶向下和自底向上相结合的特征融合路径；所述特征编码器包括空间智能变换器、融合流线型混合和协同式空间上下文融合；

13、采用目标解码器解析所得到的增强特征图，通过多层级的注意力机制进行可学习的对象查询与增强特征图的交互，通过分类头与回归头并行输出图像中所有目标的类别和边界框位置。

14、根据一些实施例，本发明的第二方案提供了一种面向复杂低空场景的无人机目标检测系统，采用如下技术方案：

15、一种面向复杂低空场景的无人机目标检测系统，包括：

16、获取模块，其被配置为获取复杂低空场景的无人机航拍图像；

17、检测模块，其被配置为根据所获取的图像和无人机目标检测网络，完成面向复杂低空场景的无人机目标检测；

18、其中，所述无人机目标检测网络采用低空目标增强与重构检测网络，所述检测模块包括：

19、特征提取子模块，其被配置为基于基础特征提取网络提取所获取图像的多层基础特征；其中，所提取的多层基础特征包括浅层高分辨率基础特征、中低层基础特征、中高层基础特征和深层基础特征；

20、低空小目标细节注入子模块，其被配置为将浅层高分辨率基础特征和中低层基础特征输入到低空小目标细节注入单元，得到小目标细节增强特征；

21、低空场景干扰门控子模块，其被配置为将小目标细节增强特征、中低层基础特征、中高层基础特征和深层基础特征输入到低空场景干扰门控单元，得到干扰门控后的多层检测特征；

22、跨尺度目标一致性重构子模块，其被配置为将多层检测特征输入跨尺度目标一致性重构模块，得到多尺度重构检测特征；

23、检测输出子模块，其被配置为将多尺度重构检测特征输入检测头或检测解码器，得到包括目标类别、边界框位置和置信度的检测结果，完成面向复杂低空场景的无人机目标检测。

24、根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

25、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方案所述的一种面向复杂低空场景的无人机目标检测方法中的步骤。

26、根据一些实施例，本发明的第四方案提供了一种电子设备，采用如下技术方案：

27、一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方案所述的一种面向复杂低空场景的无人机目标检测方法中的步骤。

28、根据一些实施例，本发明的第五方案提供了一种计算机程序产品，采用如下技术方案：

29、一种计算机程序产品，包括软件代码，所述软件代码中的程序执行如本发明第一方案所述的一种面向复杂低空场景的无人机目标检测方法中的步骤。

30、与现有技术相比，本发明的有益效果为：

31、本发明通过低空小目标细节注入单元（low-altitude small-object detailinjection unit，lsdi）将浅层高分辨率细节响应与中低层语义约束信息结合，通过门控方式筛选目标相关细节，增强远距离小目标的边缘、轮廓和局部纹理表达，增强了低空小目标细节响应，降低了小目标随下采样被弱化的风险；

32、本发明通过低空场景干扰门控单元（low-altitude scene interference gatingunit，lsig）同时估计目标响应和背景干扰响应，采用残差门控方式调制多层检测特征，有利于削弱水面反光、道路纹理、建筑边缘、岸线结构和阴影等非目标区域对检测特征的干扰，进而有效抑制复杂背景非目标响应。

33、本发明采用跨尺度目标一致性重构模块（cross-scale target consistencyreconstruction module，ctcr）对门控后的多层特征进行尺度对齐、跨尺度响应聚合和一致性重构，改善不同尺度目标在检测头输入特征中的表达一致性，使多尺度检测特征更适配类别预测和边界框定位。