(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210545276.2 (22)申请日 2022.05.19 (71)申请人 洛阳师范学院 地址 471934 河南省洛阳市伊滨区吉庆路6 号洛阳师范学院 (72)发明人 沈家全　张永新　李德光　张斌斌　 郭晨睿　陈梦垚　汪璐瑶　徐庚辰　 杨佳曦　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06V 20/10(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于轻量级的航拍车辆目标检测方法、 系统 及存储介质 (57)摘要 本发明公开了一种基于轻量级的航拍车辆 目标检测方法、 系统及存储介质， 涉及目标检测 算法领域。 步骤为： 获取航拍图像； 利用轻量级主 干特征提取网络对航拍图像中的目标进行特征 提取， 得到第一特征； 将第一特征输入到上下文 信息特征提取网络中， 得到上下文和背景信息； 将第一特征输入到残差注意力网络中， 获取目标 的显著特征； 将上下文和背景信息、 显著特征进 行融合， 得到第二特征； 采用目标检测算法对第 二特征进行目标检测。 通过轻量级的主干网络对 小目标进行特征提取， 上下文信息特征提取模块 获取目标周围的背景和上下文信息， 残差注意力 网络对目标的显著性和 高价值的特征信息进行 提取， 所以本发 明方法在检测精度和检测速度上 均具有明显的优势。 权利要求书1页 说明书7页 附图3页 CN 114758247 A 2022.07.15 CN 114758247 A 1.一种基于轻量级的航拍车辆目标检测方法， 其特 征在于， 具体步骤 包括如下： 获取航拍图像； 利用轻量级主干特征提取网络对所述航拍图像中的目标进行特征提取， 得到第一特 征； 将所述第一特 征输入到上 下文信息特 征提取网络中， 得到上 下文和背景信息； 将所述第一特 征输入到残差注意力网络中， 获取目标的显著特 征； 将所述上 下文和背景信息、 所述显著特 征进行融合， 得到第二特 征； 采用基于Anc hor‑free的目标检测算法对所述第二特 征进行目标检测。 2.根据权利要求1所述的一种基于轻量级的航拍车辆目标检测方法， 其特征在于， 在所 述轻量级主干特征提取网络中， 采用5个Stage对目标的特征进行提取， 在每个Stage中特征 的提取均采用通道堆栈的方式。 3.根据权利要求1所述的一种基于轻量级的航拍车辆目标检测方法， 其特征在于， 在所 述残差注意力网络中， 进行了三次下采样和三次上采样运算， 并在不同的尺度上对所述第 一特征进行融合和提取。 4.根据权利要求3所述的一种基于轻量级的航拍车辆目标检测方法， 其特征在于， 所述 上采样运 算采用双线性差值 算法。 5.根据权利要求2所述的一种基于轻量级的航拍车辆目标检测方法， 其特征在于， 在 Stage 1中分为Stage  1‑1和Stage  1‑2， Stage 1‑1特征块的大小为H/2 ×W/2×16， Stage   1‑2的大小为H /2×W/2×32， 每次特 征在传播的过程中仅增 加数量为16的特 征通道数。 6.一种基于轻量级的航拍车辆目标检测系统， 其特征在于， 包括数据获取模块、 主干网 络提取模块、 上 下文特征信息提取模块、 显著特 征提取模块、 融合模块、 目标检测模块； 所述数据获取模块， 用于获取航拍图像； 所述主干网络提取模块， 用于利用轻量级主干特征提取网络对所述航拍图像中的目标 进行特征提取， 得到第一特 征； 所述上下文特征信 息提取模块， 用于将所述第 一特征输入到上下文信 息特征提取网络 中， 得到上 下文和背景信息； 所述显著特征提取模块， 用于将所述第一特征输入到残差注意力网络中， 获取目标的 显著特征； 所述融合模块， 用于将所述上下文和背景信息、 所述显著特征进行融合， 得到第二特 征； 所述目标检测模块， 用于采用基于Anchor ‑free的目标检测算法对所述第二特征进行 目标检测。 7.一种计算机存储介质， 其特征在于， 所述计算机存储介质上存储有计算机程序， 所述 计算机程序被处理器执行时实现如权利要求 1‑5中任意一项 所述的一种基于轻量级的航拍 车辆目标检测方法的步骤。权　利　要　求　书 1/1 页 2 CN 114758247 A 2基于轻量级的航拍车辆目标 检测方法、 系统及存 储介质 技术领域 [0001]本发明涉及目标检测算法技术领域， 更具体的说是涉及 一种基于轻量级的航拍车 辆目标检测方法、 系统及存 储介质。 背景技术 [0002]航拍场景下的车辆目标检测在军事和民用领域中有着广泛的应用前景。 最近， 基 于深度模型 的目标检测算法在航拍车辆检测中表现出了优越的性能。 然而， 这些检测算法 往往伴随着大量的计算和资源消耗， 从而 无法有效地进 行实时的检测。 另外， 复杂的背景信 息及目标的特征不明显也导致了检测的精度较低。 为了降低深度神经网络模型 的计算量， 一些学者开 发出了一系 列的轻量级的深度卷积深度网络模型， 这些轻量级的深度神经网络 模型通过降低卷积的运算量和 提升实际的执行速度在不降低模型的精度的同时提升了模 型的运行效率。 轻量级的深度模型在常规的图像分类和检测任务中取得了良好的效果， 但 是在面对复杂的航拍背景信息和微弱的车辆小目标时其检测的精度还不够高。 因此， 对本 领域技术人员来说， 如何在降低模型计算 量的同时保障检测精度是亟 待解决的问题。 发明内容 [0003]有鉴于此， 本发明提供了一种基于轻量级的航拍车辆目标检测方法、 系统及存储 介质， 以解决背景技 术中存在的问题。 [0004]为了实现上述目的， 本发明采用如下技术方案： 一种基于轻量级的航拍车辆目标 检测方法， 具体步骤 包括如下： [0005]获取航拍图像； [0006]利用轻量级主干特征提取网络对所述航拍图像中的目标进行特征提取， 得到第一 特征； [0007]将所述第一特 征输入到上 下文信息特 征提取网络中， 得到上 下文和背景信息； [0008]将所述第一特 征输入到残差注意力网络中， 获取目标的显著特 征； [0009]将所述上 下文和背景信息、 所述显著特 征进行融合， 得到第二特 征； [0010]采用基于Anc hor‑free的目标检测算法对所述第二特 征进行目标检测。 [0011]可选的， 在所述轻量级主干特征提取网络中， 采用5个Stage对目标的特征进行提 取， 在每个Stage中特征的提取均采用通道堆栈的方式。 [0012]通过采用上述技术方案， 具有以下有益的技术效果： 传统的特征提取主干网络在 进行特征提取时， 特征通道的增加方式较为粗鲁， 例如特征通道往往直接从32到64再到128 等。 这种特征通道的增加方式使得特征通道的数量成倍的增加， 因此使得特征提取 的过程 不够精细化并造成了大量小目标信息的丢失， 本发明主干网络的设计， 可以有效的逐步的 获取到更加完整和显著的特 征。 [0013]可选的， 在所述残差注意力网络中， 进行了三次下采样和三次上采样运算， 并在不 同的尺度上对所述第一特 征进行融合和提取。说　明　书 1/7 页 3 CN 114758247 A 3