本发明属于机场场面监视领域,尤其是基于视频流的机场场面监视方法。
背景技术:
近年来,中国航空运输规模不断扩大,现已发展为全球第二大航空运输国,通用航空的发展同时也取得了不小的成就,中小机场的数量随之增加。现有机场监测手段中的场面监视雷达、多点定位成本较高,中小机场难以实现,且会存在盲区。再这种情况下,基于卷积神经网络的场面监视应运而生。
目前,常用的机场场面监视手段包括场面监视雷达、多点定位(Multilateration,简称MLAT)和广播式自动相关监视(Automatic Dependent Surveillance–Broadcast,简称ADS-B)等技术手段。但是由于场面监视雷达十分昂贵,动则上千万元以上,并不是所有机场都能负担起如此大的开销,尤其是对航班起降架次较少的中小型机场。而无论是MLAT 还是ADS-B,由于其需要通过无线通信网络和安装在被监视目标上的收发装置才能实现较高精度的定位和监视。
对于没有安装收发装置的非协作目标,如在场面运行的多数车辆和机务人员,MLAT 和ADS-B 均无法实现有效定位和监视。
技术实现要素:
有鉴于此,本发明提供了一种基于卷积神经网络的机场场面监视方法,该方法采用深度学习网络SSD(Single Shot MultiBox Detector),通过实时对机场场面图像中目标进行识别,实现场面监视。
本发明的技术方案具体实现如下:
一种训练SSD卷积神经网络的方法,具体过程为:
(一)通过场面监视摄像头,拍摄大量的机场场面图片,其中应包含需要识别的目标;
(二)将上述获得的每一张图片中需要识别的目标进行标定,得到包含目标矩形框的四个点的坐标的xml文件;
(三)搭建深度学习框架caffe,编译SSD源码,对标定图片进行学习。生成识别标定目标的特定卷积神经网络。
一种基于SSD的场面监视方法的具体步骤为:
A.获取机场场面监控视频流,并使用OpenCV将其转换为图片帧;
B.将获得的需要检测的图片帧输入进先前已经训练好的SSD卷积神经网络,网络对图片中的目标进行识别;
C.设定一个阈值T(0<T<1)与SSD网络识别目标产生的置信度Z(0<Z<1)进行比较,当T≤Z时,进入步骤D;否则进入步骤E;
D.在输入图片中加上被识别目标的矩形框作为输出;
E.置信度达不到要求,认为是识别错误的目标,不加上矩形框。
本发明基于SSD(Single Shot MultiBox Detector)卷积神经网络进行目标识别,得到具有高准确率的目标识别图像,解决了机场场面监视费用昂贵的问题。
附图说明
图1为本发明实例中特征图目标匹配过程。
图2为本发明实例中SSD网络结构图。
图3为本发明实例中SSD训练图。
图4为本发明实例中训练图片标定。
图5为本发明实例中检测效果图。