一種基于視覺的無人機對地運動目標檢測方法
【技術領域】
[0001] 本發(fā)明屬于圖像目標檢測技術領域，特別涉及一種基于視覺的無人機對地運動目 標檢測方法。
【背景技術】
[0002] 運動目標檢測是模式識別和計算機視覺領域的一個基本問題，對提升無人機在邊 境巡邏、區(qū)域態(tài)勢感知、視覺制導等應用方面的自主能力具有重要的意義。由于小型無人機 平臺的運動性、機載資源的有限性、以及目標環(huán)境的復雜性，能夠滿足機載處理需求的運動 目標檢測技術仍然是國內(nèi)外的一個技術難題。
[0003] 自從Man提出計算視覺理論以來，運動目標檢測一直受到國內(nèi)外學術界的高度 關注，其中固定攝像機下的運動目標檢測已經(jīng)在城市交通、銀行、機場等行業(yè)得到了實際應 用，而移動平臺下的運動目標檢測技術的研宄則相對緩慢，針對無人機平臺的更加有限。美 國Sarnoff公司較早開始對應用于無人機上的運動目標檢測技術進行研宄，它從運動特性 出發(fā)來檢測目標，建立了復雜的運動模型，超出了機載計算資源的限制；其研宄忽略了目標 在顏色、紋理等方面的特性，容易受到三維景物的干擾，且檢測到的目標存在"鬼影"。匈牙 利的計算與自動化研宄所利用多層馬爾科夫模型從航空圖像提取運動目標，研宄側(cè)重于理 論層面，距離應用較遠。在國內(nèi)，西北工業(yè)大學對應用于無人機上的運動目標檢測和跟蹤技 術進行了先期的研宄，分別采用耗時的光流特征和屬性形態(tài)學分析等方法來計算運動區(qū)域 和顯著性區(qū)域，導致計算效率較低，滿足不了機載實時處理的需要。上海大學研宄了有標 志物的運動目標檢測技術，由于大部分待監(jiān)控目標是不可能事先加上標記的，因此應用范 圍非常受限。中科院自動化所對滿足機載處理能力的運動目標檢測和跟蹤算法、典型地物 提取方法等進行了一定地研宄，為無人機視覺自主目標檢測的系統(tǒng)性研宄提供了一定的基 礎。
[0004] 總的來說，現(xiàn)有的機載視覺對地運動目標檢測技術研宄，無論是其理論方法的系 統(tǒng)性，還是研宄成果的實用性，都需要展開進一步、相當深入地研宄工作。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的主要目的在于針對小型無人機平臺的運動性、機載資源的有限性、及目 標環(huán)境的復雜性，提出一種系統(tǒng)性的具有較高環(huán)境適應性的運動目標檢測方法。
[0006] 為實現(xiàn)上述目的，本發(fā)明提出利用顏色分布比對的方式去除運動檢測中存在的 "鬼影"，為了克服現(xiàn)有分類方法不能很好地刻畫目標的局部特征、基于"詞袋"特征匹配的 方法計算復雜度高的缺陷，提出適應性好且效率較高的模式互斥分類器，并將其用于"建筑 物/運動目標"、"車輛/行人"的分類中。
[0007] 本發(fā)明提出的一種基于視覺的無人機對地運動目標檢測方法包括以下步驟：
[0008] 步驟1 :對輸入的無人機視頻進行特征提取，對于提取得到的特征進行描述，并基 于提取得到的特征對于相鄰兩幀圖像中的特征點進行匹配，得到多個特征點對；
[0009] 步驟2 :基于所述步驟1得到的匹配特征點對估計得到幀間映射參數(shù)；
[0010] 步驟3 :利用所述步驟2估計得到的幀間映射模型參數(shù)，對相鄰兩幅圖像中的前一 幀圖像進行變換，并將相鄰兩幅圖像校正到同一坐標系下；
[0011] 步驟4:對于校正后相鄰的每兩幅圖像，利用圖像差分方法得到對應的候選短時 運動圖像；
[0012] 步驟5 :搜集植被樣本，建立植被的顏色模型，利用得到的植被顏色模型去除候選 短時運動圖像中可能由樹木造成的干擾部分；
[0013] 步驟6 :利用時域差分法，累積P幀圖像的短時運動圖像，并據(jù)此提取得到完整的 一級候選運動目標區(qū)域；
[0014] 步驟7 :采用基于顏色分布比對的方法去除所述一級候選運動目標區(qū)域中的虛假 運動目標區(qū)域，得到二級候選運動目標區(qū)域；
[0015] 步驟8 :搜集多種樣本圖像，構建多個模式互斥分類器；
[0016] 步驟9 :利用互斥性在線選擇候選目標運動區(qū)域的特有模式，采用模式互斥分類 器去除可能由建筑物等造成的干擾，并對候選運動目標區(qū)域進行分類，以進一步去除結(jié)構 特性不符的干擾，得到標識的運動目標檢測結(jié)果。
[0017] 本發(fā)明提出了一種系統(tǒng)性的具有較高環(huán)境適應性的運動目標檢測方法，本發(fā)明利 用快速有效的特征提取方法提取空間分布均勻的特征并估計幀間運動參數(shù)；通過建立植被 的顏色模型，利用植被模型去除短時運動區(qū)域圖像中存在的可能由樹木造成的影響；利用 顏色分布比對的方式去除了歷史運動圖像造成的"鬼影"效應；利用"建筑物/運動目標"、 "車輛/行人"分類，進一步去除建筑物等視差干擾；提出了適應性好且效率較高的模式互 斥分類器，該分類器利用結(jié)構模式作為描述局部特征的基本方式，利用兩類目標特有模式 的互斥性建立分類器；基于候選區(qū)域模式與環(huán)境模式的互斥性動態(tài)選擇參與分類的模式， 并利用模式互斥分類器對圖像塊進行快速分類，最終得到運動目標檢測結(jié)果。本發(fā)明不涉 及大規(guī)模的數(shù)值計算，可滿足小型無人機對地運動目標檢測的計算復雜度需求。
【附圖說明】
[0018] 圖1是本發(fā)明基于視覺的無人機對地運動目標檢測方法框圖；
[0019] 圖2是特征不變量的幾何意義
[0020] 圖3是模式互斥分類器構建與分類方法技術路線
【具體實施方式】
[0021] 為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照 附圖，對本發(fā)明進一步詳細說明。
[0022] 本發(fā)明的技術思想是，利用顏色分布比對的方式去除"鬼影"區(qū)域；通過建立植被 模型，減弱樹木的影響；通過"建筑物/運動目標"、"車輛/行人"分類，進一步去除建筑物 等視差干擾。為了實現(xiàn)圖像塊的快速分類，提出了適應性好且效率較高的模式互斥分類器， 該分類器利用結(jié)構模式作為描述局部特征的基本方式，利用兩類目標特有模式的互斥性建 立分類器；基于候選區(qū)域模式與環(huán)境模式的互斥性動態(tài)選擇參與分類的模式，并利用模式 互斥分類器對圖像塊進行快速分類。本發(fā)明不涉及大規(guī)模的數(shù)值計算，可滿足小型無人機 對地運動目標檢測的計算復雜度需求。
[0023] 圖1是本發(fā)明基于視覺的無人機對地運動目標檢測方法流程圖，如圖1所示，所述 方法包括以下步驟：
[0024] 步驟1 :對輸入的無人機視頻進行特征提取，對于提取得到的特征進行描述，并基 于提取得到的特征對于相鄰兩幀圖像中的特征點進行匹配，得到多個特征點對；
[0025] 通過對現(xiàn)有技術的試驗、分析和歸納總結(jié)，本發(fā)明首先采用FAST方法檢測候選特 征點，從而以較低的代價過濾掉絕大多數(shù)沒有特征的像素點；然后挖掘能夠?qū)蜻x特征點 進行約束的形狀