本發明涉及無人機巡檢，特別涉及基于核心算法和人工智能的無人機巡檢系統。
背景技術：
1、近年來，隨著我國信息化建設和科學技術的不斷提升，無人機為代表的新興科技力量逐步崛起，正在一點點滲入人們的日常生活中，在城市規劃、應急搶險、重點工程、農業、森林、消防、電力等領域均有應用，無人機自身具有攜帶方便、操作簡單、反應迅速、載荷豐富、任務用途廣泛、起飛降落對環境的要求低、可自主飛行等優勢，無人機巡檢通過無人機按照一定的航線飛行，在預設的點位拍攝獲取待檢測目標的照片，上傳到服務器的算法平臺進行進一步分析然后人工或者服務器生成巡檢報告，現有的無人機的導航性能主要依賴于gps導航定位，但這種導航定位方式會人工設定的，無法主動選擇飛行軌跡，此外，在gps不穩定的情況下無人機無法獲得周圍環境信息，難以保持穩定的飛行，進而無法準確地到達指定地點采集圖像數據。
2、因此，利用目標跟蹤技術獲取周圍背景信息，指導無人機的飛行值得深入研究，現有的跟蹤方法大部分都是使用深度特征來提高跟蹤的魯棒性與準確性；但深度特征十分負責且龐大，難以滿足無人機跟蹤的實時要求，對此，很多方法嘗試對深度特征進行壓縮以提高跟蹤的魯棒性，但這些壓縮方法大多是離線進行深度特征壓縮，并且無法針對當前待跟蹤目標進行特征壓縮，而跟蹤的目標是在動態變化中的，離線的深度特征壓縮方法無法適應目標的變化往往會導致跟蹤失敗，進而進一步影響無人機飛行的穩定性及無法準確地到達指定的地點。
技術實現思路
1、本發明針對上述針問題，提出基于核心算法和人工智能的無人機巡檢系統，并提出一種動態深度特征壓縮的目標跟蹤方法實時跟蹤待檢測目標以指導無人機的飛行，通過該跟蹤方法的定位指導，提高了無人機飛行的穩定性，能夠更準確的到達指定的位置采集圖像，更有利于后續進一步對采集到的圖像進行分析。
2、為了解決上述技術問題，本發明提供如下技術方案：
3、基于核心算法和人工智能的無人機巡檢系統，包括無人機與地面站，無人機上配置有圖像采集與圖像處理模塊，所述地面站用于檢測無人機的狀態，接收無人機傳輸過來的待檢測目標的圖像信息進行進一步的分析，所述圖像采集模塊用于捕獲環境視頻數據，將采集到的環境視頻數據輸入圖像處理模塊，所述圖像處理模塊首先利用目標檢測算法檢測出視頻中的物體，然后進一步篩選出待檢測的目標，計算出待檢測目標與無人機的位置與角度，給出無人機初始飛行指令，在無人機在向目標靠近飛行時，利用設計的動態深度特征壓縮的目標跟蹤方法實時跟蹤待檢測目標，實時的計算出待檢測目標與無人機的位置與角度，給出無人機飛行指令，當待檢測目標與無人機的位置與角度符合要求時，無人機停止飛行，拍攝待檢測目標的圖片，發送到地面站用于進一步分析。
4、進一步地，所述圖像采集模塊所使用的相機為單目云臺變焦相機，通過相機拍攝周圍環境的圖片，將圖片輸出到圖像處理模塊的輸入端。
5、進一步地，所述圖像處理模塊中目標檢測算法是根據特定巡檢任務訓練的faster-rcnn檢測算法，該算法對輸入的圖像進行檢測，檢測出圖像中存在的物體，并進行定位與分類。
6、進一步地，所述進一步篩選出待檢測目標的方法是先根據檢測方法的分類信息篩選出一類目標，然后將每個目標的尺度進行量化其中，i表示這類目標的個數，si表示每個目標的尺度量化后的參數，wi與hi表示每個目標的寬與高，最后根據si進行排序，選擇排序為中間的目標為待檢測的目標。
7、進一步地，所述動態深度特征壓縮的目標跟蹤方法跟蹤過程如下：
8、s1：根據獲取待檢測目標的位置信息，以待檢測目標中心位置為中心截取出包含目標模板x1的搜索圖像z1，其中目標模板在圖像的中心，將其輸入到vgg-16網絡中，提取vgg-16網絡的conv4-1層特征圖φ(z1)，根據目標的寬與高信息從特征圖中截出目標模板特征φ(x1)；
9、s2：下一幀圖像到來后，以上一幀目標位置為中心在圖像中截取搜索區圖像zt，其中t為幀索引，將其輸入到vgg-16網絡中，提取vgg-16網絡的conv4-1層特征圖φ(zt)即為搜索圖像特征；
10、s3：利用通道深度特征壓縮方法計算出的貢獻度δd對搜索圖像特征φ(zt)與目標模板特征φ(x1)進行壓縮后進行相關操作獲得最終響應圖：
11、
12、其中t是視頻幀索引，響應值最大處即為當前幀目標位置。
13、設計的深度特征壓縮方法如下，將搜索圖像特征φ(z1)與目標模板特征φ(x1)進行互相關，得到多通道響應圖：
14、rd＝φ(z1)*φ(x1),d＝1,2,...,nd
15、其中*表示互相關操作，d表示通道索引，nd表示特征的通道個數。
16、進一步地，所述深度特征壓縮方法如下：
17、s1：將搜索圖像特征φ(z1)與目標模板特征φ(x1)進行互相關，得到與壓縮后深度特征通道數相同的多通道響應圖：
18、rd＝φ(z1)*φ(x1),d＝1,2,...,nd
19、其中*表示互相關操作，d表示通道索引，nd表示特征的通道個數；
20、s2：每個通道的響應圖的波動程度反應每個通道特征的貢獻，基于這一思想，以一層通道的響應圖計算為例，首先計算響應圖的峰值：
21、rp＝findpeak(rd)
22、s3：然后，將響應圖劃分為目標區域rp,o與背景區域rp,b，將兩部分區域的峰值分別相加：
23、srp,o＝sum(rp,o)
24、srp,b＝sum(rp,b)
25、srp,o為目標區域峰值和，srp,b為背景區域峰值和，定義兩部分區域的波動程度為：
26、
27、
28、frp,o為目標區域響應圖的波動程度，frp,b為背景區域響應圖波動程度，每個通道的貢獻度定義為：
29、
30、s4：最后將每個通道的貢獻度進行二值化，就得到了最終每個通道的貢獻度：
31、
32、貢獻度為0的通道即被舍去，實現了深度特征的壓縮；
33、s5：隨著無人機拍攝距離與角度的變化，目標也在發生著變化，因此需要評估目標變化的大小動態的調整每個通道特征的貢獻度，實現高效壓縮的同時，提高跟蹤的精度，在后續跟蹤過程中利用設計的目標變化評估方法判斷是否更新每個通道的貢獻度δd，如果更新，則將搜索圖像特征φ(z1)替換為以上一幀目標位置為中心在圖像中截取搜索區圖像特征φ(zt)，然后重復上述步驟計算出新的每個通道的貢獻度δd。
34、進一步地，所述目標變化評估方法如下：
35、s1：提取搜索區域圖像z1并進行壓縮，獲得壓縮后的搜索區域圖像特征然后利用如下公式學習初始記憶器：
36、
37、其中w是要學習的記憶器，λ1是正則化參數，通過快速傅里葉變換對算法進行加速計算可求得：
38、
39、其中⊙是元素積，符號^表示傅里葉變換，是的復共軛；
40、s2：在下一幀的跟蹤結果出來時利用記憶器與搜索區域做相關，可得到一個與搜索圖像特征通道數相同的響應圖mp，將所有通道響應圖的最大值相加取平均作為目標的變化程度v，v越大，目標變化越小，v越小，目標變化越大；當v≤0.3時，則需要更新每個通道的貢獻度δd與記憶器；
41、s3：更新記憶器時，使用的搜索圖像特征是以最新跟蹤結果為中心截取的搜索圖像的壓縮后的特征此時記憶器通過如下公式學習記憶器：
42、
43、其中w是要學習的記憶器，λ2是正則化參數，通過快速傅里葉變換對算法進行加速計算可求得：
44、
45、進一步地，所述無人機停止飛行的條件是，無人機的相機位置與待檢測目標位置齊平，角度與檢測目標平面垂直，同時拍攝的圖片清晰。
46、本發明的有益效果在于，提出基于核心算法和人工智能的無人機巡檢系統，在無人機的飛行過程中引入了提出的動態正壓縮的目標跟蹤方法，該跟蹤方法解決了傳統離線進行深度特征壓縮的目標跟蹤方法難以針對帶跟蹤的目標進行特征壓縮及難以根據目標的變化動態的對深度特征進行壓縮的問題，在濾除多余特征的情況下獲得了跟蹤的實時性，同時又能針對性的進行動態深度壓縮，提高的跟蹤的魯棒性與準確性，進而提高無人機飛行過程中的穩定性及能準確地到達指定的位置。