近年來,無人機(jī)被應(yīng)用在越來越多的領(lǐng)域,尤其是在軍事和民用領(lǐng)域。機(jī)場中由于無人機(jī)的誤飛,會(huì)對客機(jī)的運(yùn)行造成嚴(yán)重影響,從而威脅人們的生命財(cái)產(chǎn)安全。因此,如何高效精準(zhǔn)地檢測出機(jī)場中飛行的無人機(jī)至關(guān)重要。無人機(jī)目標(biāo)檢測是一個(gè)具有挑戰(zhàn)性的問題�；跇�(gòu)建的無人機(jī)目標(biāo)檢測數(shù)據(jù)集,提出基于感受野的無人機(jī)目標(biāo)檢測算法。實(shí)驗(yàn)和主流方法做對比和分析,結(jié)果表明算法能取得較好的檢測效果。 

【文章來源】：現(xiàn)代計(jì)算機(jī). 2020,(15)

【文章頁數(shù)】：5 頁

【部分圖文】：

RFB-Darknet特征提取器

數(shù)據(jù)決定了學(xué)習(xí)的上限，而神經(jīng)網(wǎng)絡(luò)只是逼近這個(gè)上限，所以一開始的數(shù)據(jù)收集工作，起到了關(guān)鍵的作用。其中，數(shù)據(jù)的采集又是非常困難的，因?yàn)獒槍o人機(jī)目標(biāo)檢測問題，并不存在公開的標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)庫能夠訓(xùn)練神經(jīng)網(wǎng)絡(luò)，所以只能按照現(xiàn)有的條件重新采集新的數(shù)據(jù)。無人機(jī)數(shù)據(jù)集采集主要是通過使用攝像機(jī)對6種市面主流的消費(fèi)級(jí)無人機(jī)（五種不同大小不同形狀的四旋翼無人機(jī)和一種直升機(jī)）和主要干擾物氣球進(jìn)行拍攝視頻，然后對視頻進(jìn)行抽幀，得到無人機(jī)圖片，之后再對圖片進(jìn)一步篩選標(biāo)注，就得到了無人機(jī)的數(shù)據(jù)集。數(shù)據(jù)集的分布與樣例如表1-表3。對得到的數(shù)據(jù)集進(jìn)一步預(yù)處理，首先包括顏色隨機(jī)調(diào)整（包括對比度、飽和度、亮度和灰度）以及對圖像進(jìn)行裁剪、縮放和翻轉(zhuǎn)操作，其次使用雙邊濾波對圖像進(jìn)行去噪，從而達(dá)到保持圖像邊緣特性平滑去噪的目的。

由于雙階段目標(biāo)檢測算法具有檢測精度更高的優(yōu)點(diǎn)，所以本文采用倆階段檢測算法中的經(jīng)典框架Faster R-CNN[5]作為主要檢測框架。Faster R-CNN使用區(qū)域候選網(wǎng)絡(luò)（RPN）替代Fast R-CNN[14]中的選擇搜索，同時(shí)引入錨框（anchor box）應(yīng)對目標(biāo)形狀的變化問題，另外Faster R-CNN使用感興趣區(qū)域池化層（ROI pooling layer）把不同大小輸入映射到一個(gè)固定尺度的特征向量。Faster R-CNN檢測算法的主要流程如下：將整張圖片輸進(jìn)特征提取網(wǎng)絡(luò)，得到feature map；將卷積特征輸入到RPN，得到候選框的特征信息；對候選框中提取出的特征，使用分類器判別是否屬于一個(gè)特定類；對于屬于某一類別的候選框，用回歸器進(jìn)一步調(diào)整其位置�？蚣芰鞒倘鐖D2所示。4.2 RFB-Darknet特征提取器


本文編號(hào)：3449117