(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210424063.4 (22)申请日 2022.04.22 (65)同一申请的已公布的文献号 申请公布号 CN 114550016 A (43)申请公布日 2022.05.27 (73)专利权人 北京中超伟业信息安全技 术股份 有限公司 地址 102200 北京市昌平区科技园区超前 路甲1号10号楼3 02室 (72)发明人 罗远哲　刘瑞景　李冠蕊　王玲洁　 罗晓萌　吕雪萍　李玉琼　刘志明　 李文静　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 杜阳阳 (51)Int.Cl. G06V 20/17(2022.01)G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113822383 A,2021.12.21 CN 112950634 A,2021.0 6.11 CN 113191185 A,2021.07.3 0 US 20212 24512 A1,2021.07.2 2 陶磊等.基于YOLOv3的无 人机识别与定位追 踪. 《工程科 学学报》 .2020,(第04期), 审查员 王思文 (54)发明名称 一种基于上下文信息感知的无人机定位方 法及系统 (57)摘要 本发明涉及一种基于上下文信息感知的无 人机定位方法及系统， 属于无人机识别领域， 该 方法包括： 构建无人机检测 网络， 无人机检测 网 络包括特征表示生成网络、 局部信息表示路径、 全局信息表 示路径和尾部预测结构； 采用无人机 检测数据集训练无人机检测网络； 特征表示生成 网络用于输出各尺度特征图对应的第一无人机 特征表示； 局部信息表示路径从各尺度特征图中 截取区域特征图后进行卷积与第一无人机特征 表示进行拼接获得第二无人机特征表 示； 全局信 息表示路径对最小的尺度特征图进行全局平均 池化后依次经过两个全连接层输出全局信息表 示图， 全局信息表示图与各第二无人机特征表示 进行矩阵相乘输出第三无人机特征表 示。 本发明 提高了无 人机的定位精度。 权利要求书3页 说明书7页 附图2页 CN 114550016 B 2022.07.08 CN 114550016 B 1.一种基于上 下文信息感知的无 人机定位方法， 其特 征在于， 包括： 构建无人机检测数据集； 构建无人机检测网络， 所述无人机检测网络包括特征表示生成网络、 局部信息表示路 径、 全局信息表示路径和尾部预测结构； 采用所述无 人机检测数据集训练所述无 人机检测网络， 获得 无人机检测模型； 采用所述无 人机检测模型进行待检测无 人机的定位； 所述无人机检测网络中， 所述特征表示生成网络用于生成多尺度 特征图并将各尺度 特 征图输入区域建议网络， 输出各尺度特征图对应的第一无人机特征表示； 所述局部信息表 示路径用于从各尺度特征图中截取区域特征图， 并对截取的区域特征图进 行卷积后与对应 的第一无人机特征表示进行通道维度的拼接， 获得第二无人机特征表示， 各截取 的区域特 征图是对应第一无人机特征表示的设定倍数； 所述全局信息表示路径用于对各尺度特征图 中尺度最小的尺度特征图进行全局平均池化操作后依 次经过第一全连接层和第二全连接 层， 输出全局信息表示图， 将所述全局信息表示图依 次与各第二无人机特征表示进行矩阵 相乘， 输出第三无人机特征表示； 所述尾部预测结构用于根据所述第三无人机特征表示获 得待检测无 人机的坐标信息 。 2.根据权利要求1所述的基于上下文信 息感知的无人机定位方法， 其特征在于， 所述特 征表示生成网络采用DenseNet为骨干网络， 基于DenseNet构建特征融合结构； 所述 DenseNet包括五个卷积块， 依次输出特征图N1、 特征图N2、 特征图N3、 特征图N4和特征图N5， 将特征图N5记为特征图M5， 所述特征融合结构用于将特征图M5进行2倍的上采样后与特征 图N4按元素相加， 输出特征图M4， 将特征图M4进行2倍的上采样后与特征图N3按元素相加， 输出特征图M3， 将特征图M3进行2倍的上采样后与特征图N2按元素相加， 输出特征图M2； 所 述特征表示生成网络还用于将特征图M2、 特征图M3、 特征图M4和特征图M5输入 区域建议网 络， 分别输出 特征图M2、 特 征图M3、 特征图M4和特 征图M5对应的第一无 人机特征表示。 3.根据权利要求1所述的基于上下文信 息感知的无人机定位方法， 其特征在于， 所述设 定倍数为三倍， 所述局部信息表示路径用于将各第一无人机特征表示在对应尺度特征图上 左上角的坐标作为待截取的区域特征图的左上角坐标， 以三倍第一无人机特征表示的宽度 作为待截取的区域特征图的宽度， 以三倍第一无人机特征表示的高度作为待截取的区域特 征图的高度， 在各对应尺度特征图上截取区域特征图； 所述局部信息表示路径还用于对截 取的区域特征图进 行卷积核为 1*1， 步长为3的卷积后与对应的第一无人机特征表示进 行通 道维度的拼接， 获得第二无 人机特征表示。 4.根据权利要求2所述的基于上下文信 息感知的无人机定位方法， 其特征在于， 所述全 局信息表 示路径用于对 特征图M5进行下采样获得特征图M6， 对特征图M6进 行全局平均池化 操作； 所述第一全连接层的输入维度为128， 所述第二全连接层的输入维度为64。 5.根据权利要求1所述的基于上下文信 息感知的无人机定位方法， 其特征在于， 所述采 用所述无 人机检测模型进行待检测无 人机的定位， 具体包括： 将摄像头采集到的可 见光视频依次转换为图像帧； 将所述图像帧依次输入到所述无 人机检测模型， 输出包 含无人机检测框的图像帧； 将包含无人机检测框的图像帧转换为视频作为无 人机定位结果。 6.一种基于上 下文信息感知的无 人机定位系统， 其特 征在于， 包括：权　利　要　求　书 1/3 页 2 CN 114550016 B 2无人机检测数据集构建模块， 用于构建无 人机检测数据集； 无人机检测网络构建模块， 用于构建无人机检测网络， 所述无人机检测网络包括特征 表示生成网络、 局部信息表示路径、 全局信息表示路径和尾部预测结构； 无人机检测网络训练模块， 用于采用所述无人机检测数据集训练所述无人机检测网 络， 获得无人机检测模型； 无人机的定位模块， 用于采用所述无 人机检测模型进行待检测无 人机的定位； 所述无人机检测网络中， 所述特征表示生成网络用于生成多尺度 特征图并将各尺度 特 征图输入区域建议网络， 输出各尺度特征图对应的第一无人机特征表示； 所述局部信息表 示路径用于从各尺度特征图中截取区域特征图， 并对截取的区域特征图进 行卷积后与对应 的第一无人机特征表示进行通道维度的拼接， 获得第二无人机特征表示， 各截取 的区域特 征图是对应第一无人机特征表示的设定倍数； 所述全局信息表示路径用于对各尺度特征图 中尺度最小的尺度特征图进行全局平均池化操作后依 次经过第一全连接层和第二全连接 层， 输出全局信息表示图， 将所述全局信息表示图依 次与各第二无人机特征表示进行矩阵 相乘， 输出第三无人机特征表示； 所述尾部预测结构用于根据所述第三无人机特征表示获 得待检测无 人机的坐标信息 。 7.根据权利要求6所述的基于上下文信 息感知的无人机定位系统， 其特征在于， 所述特 征表示生成网络采用DenseNet为骨干网络， 基于DenseNet构建特征融合结构； 所述 DenseNet包括五个卷积块， 依次输出特征图N1、 特征图N2、 特征图N3、 特征图N4和特征图N5， 将特征图N5记为特征图M5， 所述特征融合结构用于将特征图M5进行2倍的上采样后与特征 图N4按元素相加， 输出特征图M4， 将特征图M4进行2倍的上采样后与特征图N3按元素相加， 输出特征图M3， 将特征图M3进行2倍的上采样后与特征图N2按元素相加， 输出特征图M2； 所 述特征表示生成网络还用于将特征图M2、 特征图M3、 特征图M4和特征图M5输入 区域建议网 络， 分别输出 特征图M2、 特 征图M3、 特征图M4和特 征图M5对应的第一无 人机特征表示。 8.根据权利要求6所述的基于上下文信 息感知的无人机定位系统， 其特征在于， 所述设 定倍数为三倍， 所述局部信息表示路径用于将各第一无人机特征表示在对应尺度特征图上 左上角的坐标作为待截取的区域特征图的左上角坐标， 以三倍第一无人机特征表示的宽度 作为待截取的区域特征图的宽度， 以三倍第一无人机特征表示的高度作为待截取的区域特 征图的高度， 在各对应尺度特征图上截取区域特征图； 所述局部信息表示路径还用于对截 取的区域特征图进 行卷积核为 1*1， 步长为3的卷积后与对应的第一无人机特征表示进 行通 道维度的拼接， 获得第二无 人机特征表示。 9.根据权利要求7所述的基于上下文信 息感知的无人机定位系统， 其特征在于， 所述全 局信息表 示路径用于对 特征图M5进行下采样获得特征图M6， 对特征图M6进 行全局平均池化 操作； 所述第一全连接层的输入维度为128， 所述第二全连接层的输入维度为