论文部分内容阅读
热红外对光照变化不敏感,在弱光、无光等条件下可以有效成像。同时,可见光在雾霾天气中没有穿透力,但热红外在雨、雪、雾霾等天气条件下有一定的成像能力,利用热红外成像数据进行目标检测任务,可以弥补可见光数据的短板。因此,结合热红外成像技术的优势和无人机系统的灵活机动性构建针对地面人员的目标检测模型,可以让无人机遥感在夜晚、弱光、极端天气等条件下服务于搜救、追捕、安全防控等领域并发挥显著作用。然而,目前利用无人机热红外遥感数据进行地面人员检测存在诸多问题,如:(1)地面人员所占像元较少,导致通用目标检测模型无法准确的识别无人机视角下的小目标;(2)目标与背景温差较小时纹理差异不明显,导致目标逐渐与背景融为一体,检测器无法准确检测到目标;(3)无人机所携带的传感器在不同飞行姿态、不同摆扫模式下所获得的目标差异较大;(4)无针对上述问题公开的无人机热红外遥感数据集发布。针对上述问题,本文主要研究工作如下:(1)建立了一个新的无人机热红外遥感目标检测数据集——UAV-IRDet3500。采用大疆M600 Pro六旋翼无人机以及FLIR公司的Vue Pro R红外热像仪集成了一套可靠的无人机热红外遥感平台。利用该平台多次进行野外数据采集,共采集真实遥感数据(2270景)。同时,在校园内利用手持式热像仪获取模拟热红外遥感数据(1230景)。通过专业的目视解译完成UAV-IRDet3500数据集的制作。(2)构建了无人机热红外遥感目标检测模型——UAV-IRDetNet(UAV thermal Infrared remote sensing Detection Network)。UAV-IRDetNet是一个基于深度神经网络的一阶段目标检测模型,该模型在热红外小目标检测方面表现优异。在构建模型的模块化测试工作中,本文对比了常用的ResNet、特征通道赋权的SE-ResNet以及轻量级的ShuffleNet三种特征提取骨架网络,得出结论:特征通道赋权的SEResNet可以更好的服务后续特征金字塔网络的构建,ShuffleNet的平均精度均值(mean Average Precision,mAP)以及召回率(Recall)最低,但是更适合移动端的部署;组建了4种不同的特征金字塔,提出了适用于地面人员检测的特征金字塔构建方式,得出结论:预测更多的特征金字塔层数并未提升检测性能,对于无人机热红外人员检测任务,特征金字塔的构建应该更偏向底层;针对垂直向下拍摄时地面目标易与背景混淆以及不同观测姿态下目标类间方差大的问题,为模型构建难例挖掘手段,得出结论:难例挖掘手段显著提升了模型的召回率Recall和平均精度均值mAP。(3)开展了UAV-IRDetNet模型整体测试及对比分析。UAV-IRDetNet模型的平均精度均值mAP达到0.950,召回率Recall达到0.991;通过对比分析得出传统通用目标检测算法未能满足目标间类间方差小,目标与背景间类间方差大的假设,无法胜任无人机热红外目标检测任务;与基于深度学习的通用目标检测算法之间的横向比较表明,本文提出的UAV-IRDetNet较两阶段通用目标检测模型FasterRCNN和单阶段通用目标检测模型RetinaNet提升显著;相比两种专用红外遥感目标检测算法I-MRF和FKRW本文所提UAV-IRDetNet优势明显。本文提出了UAV-IRDet3500无人机热红外遥感目标检测数据集,并根据数据特点提出了UAV-IRDetNet无人机遥感目标检测模型。探讨了传统通用目标检测算法在无人机热红外遥感任务中的弊端。横向对比了基于深度学习的通用目标检测算法以及专用红外遥感目标检测算法。这进一步挖掘了无人机热红外遥感的应用潜力。