论文部分内容阅读
近年来,无人机飞行器成为航拍设备载体中的新成员,并与通信和人工智能紧密结合,提供很多传统问题新的解决方法,人员搜寻就是其中之一。这种搜寻方式主要应用在特定区域内人员的搜寻或巡查,例如,“驴友”走失的寻找,爆破作业前对危险区域是否有人员滞留的巡查。此方式与直接通过人工寻找相比较,具有高效、安全,通用性强等特点,同时,伴随电子技术和5G通信的普及,应用范围将更加广泛。本文采取训练集扩充与增强技术、超分辨率与目标检测相结合、轮廓判断优化策略实现检出率与效率的均衡,主要完成的工作如下:1)航拍图像的拍摄视角是从上向下,镜头到目标距离较远,这两方面因素带来航拍成像的特殊性。具体到航拍图像中人的识别,“双动”(无人机和人都可动)产生人的成像多变是最大的特点。针对无人机航拍图像的特点,建立训练集时,样本类型的较全覆盖需要通过各类样本扩充方法实现。本文除传统曝光率、颜色饱和度样本扩充方式外,还应用了旋转扩充、图像雾化模糊扩充和通过生成对抗网络生成风格转移图像扩充训练集。2)航拍过程中,由于航拍器的高度、拍摄角度和被拍摄者姿势形态的不同,航拍图像中目标的成像大小差异较大。为了提高识别率,对目标检测算法中,特征融合部分加入跨层融合。跨层融合可以减小不同大小的特征图像进行层间特征提取和缩放过程中关键特征的消失。同时,将目标检测算法中的锚框预测改为中心点预测。中心点预测是预测目标成像的中心点,并根据此点附近特征分布变化情况确定预测区域。此方法不需要对目标成像大小进行大量预估,适合航拍图像的识别。3)在航拍影像中人的成像通常比较小,直接应用目标检测算法识别检出率较低。将目标的成像先进行图像的超分辨率,对像素点数量进行扩充再通过目标检测算法进行识别,检出率有显著提升。但是,超分辨率运算量较大,消耗时间较长。通过轮廓区分目标物体的分类,虽然没有RGB图像准确,但可以进行类别的排除。航拍图像中的人成像的轮廓具有的周长、面积等特征,可以排除图像中大部分区域是没有人的,因此可以直接对有可能有人的区域进行超分辨率,再对这些区域应用目标检测识别,实现效率与检出率的协同优化。4)航拍图像中有价值信息易受到天气因素加入大量干扰信息,特别是雾霾天气会使目标检测算法的检出率大幅降低。去雾算法两种形式给出,在知道搜寻区域雾霾程度的相关参数时,可以直接应用散射等式进行图像去雾;在不知道搜寻区域雾霾程度相关参数时,通过生成对抗网络训练目标物体在无雾和有雾下的对应关系进行去雾。5)特定场景中,人可能会在特定物体中(例如汽车),这类情况直接通过目标检测识别人像的方法很难解决。在这类场景中,需要先确定人的活动对相关物体带来的变化,再根据此物体由于人的存在产生的状态改变是否出现,进行识别和判断。因为状态改变的识别是对变化过程的识别,因此大部分情况需要建立在目标检测获取的数据之上进行分析判断。本文中通过支持向量机算法与评分法结合,降低由于目标检测数据的波动产生的误判断。