(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 202210467035.0 (22)申请日 2022.04.29 (71)申请人 长春理工大 学 地址 130022 吉林省长 春市卫星路7089号 长春理工大 学机电工程学院 (72)发明人 薛珊　陈宇超　孟宪宇　贾冰　 吕琼莹　 (74)专利代理 机构 西安研创天下知识产权代理 事务所(普通 合伙) 61239 专利代理师 彭娜娜 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 7/13(2017.01) G06T 7/44(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于坐标注意力机制融合的反无人机系统 图像识别方法 (57)摘要 本发明公开了基于坐标注意力机制融合的 反无人机系统图像识别方法， 其将迁移学习、 密 集卷积网络和坐标注意力机制融合， 采用密集卷 积网络增加了图像的特征提取； 采用迁移学习方 法提高网络的识别准确率； 采用坐标注意力机制 抑制无效通道， 关注位置特征， 提高网络的识别 准确率， 通过对比实验证明了本发 明所提方法的 优越性和可 行性。 权利要求书2页 说明书9页 附图7页 CN 114842417 A 2022.08.02 CN 114842417 A 1.一种基于坐标注意力机制融合的反无人机系统图像识别方法， 其特征在于， 包括以 下步骤： S1： 获取待识别的无 人机图像并进行 预处理； S2： 构建融合 坐标注意力模块的密集卷积网络： S21： 构建基于 迁移学习的密集卷积网络TL ‑DenseNet ‑121； S22： 在TL ‑DenseNet ‑121的基础上融合坐标注意力模块， 建立融合坐标注意力模块的 密集卷积网络TL ‑CA4‑DenseNet ‑121； S3： 将预处 理后的图像输入到TL ‑CA4‑DenseNet ‑121中进行训练； S4： 通过TL ‑CA4‑DenseNet ‑121对图像进行识别并输出识别结果。 2.根据权利要求1所述的基于坐标注意力机制融合的反无人机系统图像识别方法， 其 特征在于， S1中图像的预处 理操作包括： S11： 通过灰度处理、 边缘检测、 图像滤波、 图像增强和图像形态学处理来检测原始图片 中的无人机轮廓并裁 剪出来； S12： 通过尺寸归一 化操作统一裁 剪图片的像素尺寸至2 24×224像素； S13： 通过旋转、 翻转以及添加噪声图像扩增方式扩充无人机图像数据集， 防止网络出 现过拟合现象。 3.根据权利要求2所述的基于坐标注意力机制融合的反无人机系统图像识别方法， 其 特征在于， 所述TL ‑DenseNet ‑121的结构包括依次设置的卷积层、 最大池化层、 第一密集块、 第一过渡层、 第二密集块、 第二过渡层、 第三密集块、 第三过渡层、 第四密集块、 全局平均池 化层和全连接层， 全连接层将处理结果输出至输出层， 输出层采用 Softmax分类器进行分 类。 4.根据权利要求2所述的基于坐标注意力机制融合的反无人机系统图像识别方法， 其 特征在于， 所述T L‑CA4‑DenseNet ‑121在TL‑DenseNet‑121的基础上融合四个坐标注意力模 块CABlock， 其结构包括， 依次连接的卷积层、 最大池化层、 第一密集块、 第一坐标注意力模 块、 第一过渡层、 第二密集块、 第二坐标注意力模块、 第二过渡层、 第三密集块、 第三坐标注 意力模块、 第三过渡层、 第四密集 块、 第四坐标注意力模块、 全局平均池化层、 全连接层。 5.根据权利要求4所述的基于坐标注意力机制融合的反无人机系统图像识别方法， 其 特征在于， 坐标注意力模块包括x方向和y方向的平均池化层、 二维卷积层、 batchnorm层以 及Sigmoid层。 6.根据权利要求5所述的基于坐标注意力机制融合的反无人机系统图像识别方法， 其 特征在于， S4的具体操作步骤为： S401： 预处理后的无人机图像以图像矩阵形式输入， 先在卷积层通过卷积运算后对图 像矩阵进行 特征提取； S402： 特征提取后得到的特征图经过最大池化层以减少特征图的像素尺寸， 减小网络 参数数量； S403： 减小尺寸后的特 征图通过第一密集 块再次进行 特征提取； S404： 提取后的特征图经过第一坐标注意力模块用于抑制冗余的通道特征， 增 强有助 于分类的通道特 征， 同时关注图像的位置信息； S405： 经第一 坐标注意力模块处 理过的通道特 征经过第一过渡层输出到第二密集 块；权　利　要　求　书 1/2 页 2 CN 114842417 A 2S406： 第二密集块再次提取特征信息， 并将特征信息依次输入第二坐标注意力 模块、 第 二过渡层、 第三密集块、 第三坐标注意力模块、 第三过渡层、 第四密集块、 第四坐标注意力模 块进行相应的处 理； S407： 第四坐标注意力模块处理后的特征图通过全局平均池化层进一步降低图像矩阵 的长宽尺寸， 并将特 征图发到全连接层； S408： 以全连接层中的Softmax分类 器对特征图进行分类， 输出分类识别结果。 7.一种基于坐标注意力机制融合的反无人机系统图像识别系统， 其特征在于， 包括无 人机图像输入 模块、 预处 理模块、 图像识别模块以及结果输出模块； 无人机图像输入 模块， 用于获取待分类识别的无 人机图像； 预处理模块， 用于对得到的初始无 人机图像进行 预处理操作； 图像识别模块， 用于通过融合坐标注意力模块的密集卷积网络对预处理后的无人机图 像进行识别分类， 并将分类结果发送到结果输出模块。 8.如权利要求7所述的一种基于坐标注意力机制融合的反无人机系统图像识别系统， 其特征在于， 所述预处理模块包括灰度 处理单元、 边缘检测单元、 图像滤波单元、 图像增强 单元和图像形态学处理单元， 用于通过灰度处理、 边缘检测、 图像滤波、 图像增强和图像形 态学处理来检测原始图片中的无人机轮廓并将其裁剪出来； 所述预处理模块还包括无人机 图像数据集扩充单元， 用于通过旋转、 翻转以及添加噪声图像扩增方式扩充无人机图像数 据集； 所述图像识别模块包括融合坐标注意力模块的密集卷积网络单元， 其通过融合坐标注 意力模块的密集卷积网络， 用于对预处 理后的无 人机图像进行识别检测并输出 结果。 9.一种电子设备， 包括存储器和 处理器， 存储器存储有计算机程序， 其特征在于； 所述 处理器执行所述计算机程序时实现如权利要求 1‑6任一所述的基于坐标注意力机制融合的 反无人机系统图像识别方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于： 所述的计算机程 序被处理器执行时实现如权利要求 1‑6任一所述的基于坐标注意力机制融合的反无人机系 统图像识别方法。权　利　要　求　书 2/2 页 3 CN 114842417 A 3