(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 202210332513.7 (22)申请日 2022.03.30 (71)申请人 中国民用航空飞行 学院 地址 618307 四川省德阳市广汉市南昌路 四段46号 (72)发明人 王欣　李屹　许雅玺　傅强　 刘晓东　潘磊　 (74)专利代理 机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 专利代理师 何健雄 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01)G06V 10/80(2022.01) G06T 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 风格迁移增强的机场目标检测方法 (57)摘要 本发明涉及机场目标检测技术领域， 具体地 说， 涉及一种风格迁移增强的机场目标检测方 法， 其包括以下步骤： 一、 使用基于生成对抗网络 的风格迁移网络学习训练集中非边缘信息； 二、 利用学习得到的模型对原始的机场目标检测数 据集进行风格迁移得到新的数据集； 三、 通过边 缘检测算法对新的数据集进行边缘轮廓特征提 取和增强； 四、 利用增强的特征对机场进行目标 检测。 本发明能较佳地进行机场目标检测。 权利要求书2页 说明书9页 附图6页 CN 114943869 A 2022.08.26 CN 114943869 A 1.风格迁移增强的机场目标检测方法， 其特 征在于： 包括以下步骤： 一、 使用基于生成对抗网络的风格迁移网络学习训练集中非边 缘信息； 二、 利用学习得到的模型对原始的机场目标检测数据集进行风格迁移得到新的数据 集； 三、 通过边 缘检测算法对新的数据集进行边 缘轮廓特 征提取和 增强； 四、 利用增强的特 征对机场进行目标检测。 2.根据权利要求1所述的风格迁移增强的机场目标检测方法， 其特征在于： 步骤一中， 选择了循环 生成对抗网络CycleGAN对图像进行风格迁移， C ycleGAN使用两个不同领域的数 据库， 利用其中未配对的图像进行训练； CycleGAN使用两个生成器GA、 GB和两个判别器DA、 DB来制定环形网络； 生 成器GA、 GB分别将B类图像和A类图像转化为假A类图像和假B类图像， 再将生成的假图像经由GB和GA重构回输入的原图像； 判别器DA、 DB对转化的图像进 行判别， 判断给定的图像是真实图像或由生成器生成的图像； 以生成器DA、 DB目标函数如公式(1)、 (2)所示， 判别器GA、 GB标函数公式如公式(3)、 (4)所示： 其中A、 B分别代 表两种不同风格的数据集， G代 表生成器， D代 表判别器； 同时为了恢复原始域中的图像， 采用循环一致性损失cycle ‑consistency  loss， 使用 数据集中其 他的图像对生成器进行验证， 防止生成器过拟合， 如公式(5)所示： Lcyc＝Ea∈A[||G(F(a))‑a||]+Eb∈B[||F(G(b))‑b||] (5) 其中， b代 表不同风格数据集的图像。 3.根据权利要求1所述的风格迁移增强的机场目标检测方法， 其特征在于： 步骤二中， 对生成对抗网络获取的图像进行 灰度化处 理， 将RGB图转 化为灰度图如公式(6)所示： Gray＝0.2 989*R+0.5870 *G+0.1140*B (6) 其中R、 G、 B代 表RGB图像中的红色,绿色和蓝色 分量， Gray表示 最后获得的灰度图。 4.根据权利要求1所述的风格迁移增强的机场目标检测方法， 其特征在于： 步骤三中， 使用Sobel算子进行边缘检测， Sobel算子是一种离散型差分算子， 用于运算图像亮度函数 的灰度近似值， 在图像中某一点使用这一算子都将产生灰度矢量； Sobel算子中包含两组3* 3的矩阵， 分别用于提取横向和纵向的边缘和轮廓特征， 具体来说利用两个矩阵对图像进 行 平面卷积就可以获得横向及纵向的亮度差 分近似值； 最后 将横向和纵向的图像相加获得最 后的边缘轮廓检测图像； Sobel 算子如公式(7)所示： 权　利　要　求　书 1/2 页 2 CN 114943869 A 2Sobel＝Grayx+Grayy    (7) 其中Grayx、 Grayy分别 代表横和纵方向的边缘检测图像， Sobel表示对横纵方向图像直 接相加后的图像； 边缘检测后将图像进行了二 值化处理， 图像二 值化的公式如公式(8)所示： 其中Edge代 表最终获得的边 缘检测图像。 5.根据权利要求1所述的风格迁移增强的机场目标检测方法， 其特征在于： 步骤四中， 选择单阶段目标检测算法中的YOLO  v5算法， YOLOv5模型分为Backbone层、 Neck层及预测 层； Backbone层 为YOLOv5模型的主干网络层， 包括Focus结构和CSP 结构； Focus结构用于对 图像进行切片操作， 从 高分辨率中周期性地抽出像素点重构到低分辨率图像中从而提高每 个点感受野， 并减少原 始信息的丢失； CS P结构用于解决神经网络中的大量推理计算问题； Neck层用于更好 的融合特征信息， 包括SPP结构模块、 FPN+PAN结构以及与B ackbone层 相同功能的用于Neck层的CSP结构； SPP模块用于实现局 部特征和全局特征的融合， 丰富了 特征图所拥有的表达能力； FPN +PAN结构中， FPN是目标检测技术中自顶向下的结构， 能将高 层特征通过上采样和低层特征做融合得到进行预测的特征图， PAN是一个自底向上的特征 金字塔， 将这FPN+PAN进行 结合能增强语义信息和定位信息； 输出层是进行损失函数计算和输出最终预测结果的层； 采用GIoU损失作为最终的损失 函数并采用NMS技术解决一个目标多个候选框的问题； GIOU先计算两个框的最小闭包区域 面积， 随后对其进行IoU计算， 之后计算闭包区域中不属于两个框的区域占闭包区域的比 重， 最后用I oU减去这个比重得到GI oU的值， 其公式如公式(9)所示： 其中， IoU为真实矩形框和预测矩形框之间的交集面积和并集面积的比值， U为真实框 和预测框并集的面积， AC为预测矩形框和真实矩形框的最小的包围框的面积。权　利　要　求　书 2/2 页 3 CN 114943869 A 3