一種快速自動目標檢測方法與流程
本發明主要屬于目標入侵檢測技術領域，具體涉及一種基于無人機影像的區域闖入的目標檢測方法。
背景技術：
目標檢測是將監控場景中的單幀圖像或者序列圖像的感興趣目標與背景區域分割出來，從圖像中識別和提取有意義的物體實體的操作。無人機完成各種任務的先決條件是快速準確地檢測出監控場景中的目標。當前無人機運動目標檢測算法的研究均處于針對特定問題設計特定方法的階段，對復雜多變的工作場景的自適應能力差。而且，目標檢測級別要求根據應用環境不同而有差異。總體來說，目標檢測的首要任務是搜索一定場景范圍，判斷目標是否存在，并將目標與背景、目標與噪聲分開，完成目標位置區域的提取。
運動目標檢測一般包括幀間差分法、背景差分法和光流法。幀間差分適用于動態變化的背景，計算量小，檢測精度不高。背景差分關鍵是對背景進行建模生成背景圖像，通過當前幀圖像與背景圖像進行差分檢測運動目標，但難點在于對背景模型建模。光流法包含場景中物體的運動場信息，合并相似的運動矢量可檢測出目標，不需要掌握目標的先驗知識。
光流計算方法可分為基于頻率能量、基于特征關聯匹配和基于微分梯度的三類方法。基于頻率能量的光流法是在傅立葉空間中通過速度調諧濾波器計算光流。基于特征匹配的關聯匹配方法的關鍵問題是影像特征的選取、匹配準則、窗口尺寸和搜索策略的選擇。基于微分梯度的方法通過序列影像中像素灰度的時空變化計算光流，這類方法中經典的計算方法是Horn-Schunck和Lucas-Kanade局域算法。對于無人機上搭載的載荷獲得的視頻影像，時域和空域上常常不滿足光流的連續性條件。特征匹配只能獲取局部區域內的特征點對應光流，無法描述無人機視頻幀整體運動位移情況，計算時間長。基于微分梯度的方法具有整體性，可獲得全局光流，實效性較好。兩種方法相互間具有一定的互補性，結合空間大。
技術實現要素：
針對上述問題，本發明提供一種快速自動目標檢測方法。所述方法相比傳統的基于SIFT的圖像配準方法和基于Lucas-Kanada稠密光流計算方法，降低無人機視頻的幀間特征點搜索范圍，克服無人機影像中的運動大位移問題，提高檢測能力；從而降低區域闖入的人工檢測強度，提高無人機的自動感知能力。
本發明是通過以下技術方案實現的：
一種快速自動目標入侵檢測方法，所述方法用于無人機的目標檢測，所述方法對無人機機載攝像頭獲取的原始視頻中的原始圖像進行高斯金字塔分層，以降低特征點提取的計算復雜度；然后提取圖像SIFT特征點進行圖像配準、采用金字塔的LK稀疏光流捕獲圖像中的運動信息以實現目標點運動計算、運動點聚類并剔除偽目標、最終進行目標判定實現目標檢測。
進一步地，所述方法包括以下步驟：
(1)原始視頻的獲取：根據無人機對監控區域的巡檢方式，設置機載攝像頭的位置，獲得原始視頻；
(2)圖像配準：將原始視頻中的原始圖像進行高斯金字塔分層，提取圖像的SIFT特征點，進行圖像配準；
(3)特征點運動計算：對經過步驟(2)圖像配準后的圖像采用LK稀疏光流計算并捕獲圖像中任意特征點的運動信息；其中，所述運動信息包括運動方向和運動速度；
(4)運動點聚類：基于步驟(3)獲得的任意特征點的運動信息，對無人機監視區域中所有特征點的運動方向和運動速度進行聚類；
(5)目標判定：經步驟(4)運動點聚類后，依據運動點的運動方向和運動速度剔除偽目標；確定闖入的目標，實現目標檢測。
進一步地，步驟(1)中，所述巡檢方式包括對監控區域按照巡線進行巡檢和無人機按照定點定高懸停進行巡檢兩種方式；
當按照巡線進行巡檢時，控制機載攝像頭光軸在豎直平面上，當無人機按照定點定高懸停進行巡檢時，控制機載攝像頭光軸垂直于地面。
進一步地，步驟(2)中，將原始圖像進行高斯金字塔分層，分層的層數至少為兩層。
進一步地，步驟(3)中，通過將LK稀疏光流與步驟(2)中的高斯金字塔分層相結合，實現從粗到精的分層策略，將圖像分解成不同的分辨率，并將在粗尺度下得到的結果作為下一個尺度的初始值。
進一步地，步驟(4)具體為：基于步驟(3)獲得任意特征點的運動方向和運動速度，對特征點的運動方向和運動速度進行聚類，聚類計算方法具體為：
通過以下公式求得theta：
其中，R為監控區域的半徑；|OP|為通過定位算法得到的目標特征點O相對攝像頭光軸中心P的水平距離；
OL1和OL2所示的兩條矢量線分別代表闖入和非闖入的運動目標的運動，OL1和OL2與OC的夾角分別為：
OL1與OC的夾角α1有
|α1|＜theta (2)
OL2與OC的夾角α2有
|α2|≥theta (3)
設定運動目標的速度在OC上投影的模閾值為|Vn|，則OL1在OC投影長度滿足條件：
|Vn|≤|OL1|·cos(α1) (4)
設OL1表示目標闖入特征點矢量，則需同時滿足以下兩個條件才可判斷特征點O為闖入目標特征點：
進一步地，步驟(5)具體為：根據步驟(4)中對特征點的運動方向和運動速度進行聚類的結果，將滿足條件的運動點保留，將保留的特征點進行統計分析，對視頻圖像從上到下進行遍歷，取n×n像素塊中特征點進行統計；n×n像素塊中超過一定數量的特征點即確定為闖入目標，進行闖入報警，否則為偽目標。
本發明的有益技術效果：
與現有無人機目標檢測方法相比，本發明提出的基于無人機影像的區域入侵的目標檢測方法具有以下優勢：
(1)將目標運動信息與無人機業務功能相結合，不需要對目標的先驗知識掌握；
(2)基于金字塔的特征點提取，降低特征點提取的計算復雜度，控制圖像配準的計算時間。
(3)通過對無人機不同場景、不同時間的視頻圖像進行試驗驗證，結果表明該方法具有較好的區域入侵目標檢測能力。
附圖說明
圖1為監控區域入侵目標檢測算法流程圖；
圖2為無人機巡線模式航線設計示意圖；
圖3為無人機懸停模式示意圖；
圖4為金字塔分層原理圖；
圖5為特征點光流矢量示意圖。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細描述。應當理解，此處所描述的具體實施例僅僅用于解釋本發明，并不用于限定本發明。
相反，本發明涵蓋任何由權利要求定義的在本發明的精髓和范圍上做的替代、修改、等效方法以及方案。進一步，為了使公眾對本發明有更好的了解，在下文對本發明的細節描述中，詳盡描述了一些特定的細節部分。對本領域技術人員來說沒有這些細節部分的描述也可以完全理解本發明。
實施例1
一種快速自動目標入侵檢測方法，所述方法用于無人機的目標檢測，所述方法對無人機機載攝像頭獲取的原始視頻中的原始圖像進行高斯金字塔分層，以降低特征點提取的計算復雜度；然后提取圖像SIFT特征點進行圖像配準、采用金字塔的LK稀疏光流捕獲圖像中的運動信息以實現目標點運動計算、運動點聚類并剔除偽目標、最終進行目標判定實現目標檢測。
如圖1所示，所述方法包括以下步驟：
(1)原始視頻的獲取：根據無人機對監控區域的巡檢方式，設置機載攝像頭的位置，獲得原始視頻；
如圖2所示，所述巡檢方式包括對監控區域按照巡線進行巡檢和無人機按照定點定高懸停進行巡檢兩種方式；機載攝像頭光軸垂直于地面；
(2)圖像配準：將原始視頻中的原始圖像進行高斯金字塔化分層重采樣，提取圖像的SIFT特征點，進行圖像配準；其中，進行高斯金字塔分層，分層的層數至少為兩層。
(3)特征點運動計算：對經過步驟(2)圖像配準后的圖像采用金字塔LK稀疏光流計算并捕獲圖像中任意特征點的運動矢量。
光流的計算一般有以下假設：
Ⅰ.一個特征點在幀fi-1和幀fi中的顏色值相等(對于灰度圖像，其亮度相等)，即對于圖像上t時刻p(x,y)點的灰度表示為I(x,y,t)，經過時間差dt后，對應點的灰度為I(x+dx,y+dy,t+dt)，微分求導，有
Ixu+Iyv＝-It (1)
其中：
表示特征點p(x,y)在x方向上的光流；
表示特征點p(x,y)在y方向上的光流；
表示圖像灰度對位置x，y和時間t的偏導。
整理式(1)可得
其中：
是圖像在點p處的梯度；
Vp＝(u,v)為特征點的光流。
Ⅱ.空間一致性，即鄰近像素的運動是一致的。
Ⅲ.兩幅圖像間像素位移比較小。
Ⅳ.不能識別垂直于局部梯度的運動；式(2)中包含u和v兩個未知量，必須尋找新的約束才可求解。
由于旋翼無人機巡線時航速較低(5m/s～7m/s)，拍攝的視頻重疊率高，基本符合上述的四點假設，應用Lucas-Kanada稀疏光流進行跟蹤具有合理性。Lucas-Kanada算法是基于局部約束，假定以點p(x,y)為中心的一個小鄰域內各點的光流相同，對區域內不同的點賦予不同的權重，則Lucas-Kanada稀疏光流計算為求式(3)的極小值。
其中：Ω代表以p點為中心的一個小鄰域，在本實例中Ω表示3×3的局部窗口。
W(x)為窗口函數，代表區域中各點的權重，離p點越近，權重越高。
可得超定圖像流約束方程如下所示：
計算局部窗口中式(4)，可得到圖像中任意特征點的運動矢量(即運動信息，包括運動方向和運動速度)。通過將LK稀疏光流與步驟(2)中的高斯金字塔分層相結合，實現從粗到精的分層策略，將圖像分解成不同的分辨率，并將在粗尺度下得到的結果作為下一個尺度的初始值。該方法能夠捕獲大運動速度的目標。
(4)運動點聚類：基于步驟(3)獲得的任意特征點的運動矢量，對無人機監視區域中所有特征點的運動方向和運動速度進行聚類；
基于步驟(3)獲得任意特征點的運動方向和運動速度，對特征點的運動方向和運動速度進行聚類，如圖5所示，聚類計算方法具體為：
計算特征點O過巡檢區域所在的外接圓切線(Tl或Tr)相對于特征點O與外接圓心C所在直線的夾角theta，通過以下公式求得：
其中，R為監控區域的半徑；|OC|為通過定位算法得到的目標特征點O位置相對監控區域中心C的水平距離；
OL1和OL2所示的兩條矢量線分別代表闖入和非闖入的運動目標的運動，OL1和OL2與OC的夾角分別為：
OL1與OC的夾角α1有
|α1|＜theta (6)
OL2與OC的夾角α2有
|α2|≥theta (7)
根據經驗值，設定運動目標的速度在OC上投影的模閾值為|Vn|，則OL1在OC投影長度滿足條件：
|Vn|≤|OL1|·cos(α1) (8)
設OL1表示目標闖入特征點矢量，則需同時滿足以下兩個條件才可判斷特征點O為闖入目標特征點：
其中根據對闖入目標點的判斷準確率，實施例|Vn|的取值優選0.5m/s。
(5)目標判定：經步驟(4)運動點聚類后，依據運動點的運動方向和運動速度剔除偽目標；確定闖入的目標，實現目標檢測。
步驟(5)具體為：根據步驟(4)中對特征點的運動方向和運動速度進行聚類的結果，將滿足條件的運動點保留，將保留的特征點進行統計分析，對視頻圖像從上到下進行遍歷，取n×n像素塊中特征點進行統計，在本實施例中n取150；150×150像素塊中超過3個特征點的目標即確定為闖入目標，進行闖入報警，否則為偽目標。
- 還沒有人留言評論。精彩留言會獲得點贊！