一种基于有效目标判断的无人机机动目标检测方法
【技术领域】
[0001] 本发明属于图像和视频处理领域，具体设及一种基于有效目标判断的无人机机动 目标检测方法。
【背景技术】
[0002] 运动目标检测是图像处理中一个重要的研究领域。无人机视频中的运动目标检 测，可W使观看者能快速捕捉所关注的运动目标，也可W为图像跟踪定位、目标显示等处理 环节提供便利。由于无人机平台时刻处于运动中，载荷拍摄的区域不断发生变化，特别是小 型无人机，很容易受到外界环境干扰，姿态变化比较剧烈，因此现有成熟的运动目标检测方 法不适用于无人机航拍背景。无人机运动目标检测通常采用图像配准后进行帖间差分获 得，差分图像的准确性受配准结果的影响较大，因此效率高，准确性强的图像配准方法是提 升运动目标检测准确性的关键。同时，速度快图像配准算法难免会带来一些误检现象，而现 有误检判断方法通常存在准确性差，实时性不强等缺点，因此设计有效目标判断方法，降低 算法的误检率是无人机航拍领域下运动目标检测的重中之重。
【发明内容】
[0003] 为了解决目标检测算法中误检率高的问题，引入一种基于BING特征的SVM分类器 进行目标有效性判断方法。同时为保证算法执行效率，采用图像块匹配辅助特征点匹配的 方法进行图像配准。为了去除图像差分后存在的误检情况，引入了多帖图像差分来减少配 准带来的误差影响。并运用多种形态学方法去除差分后的噪声影响，最终实现了运动平台 的实时目标检测。
[0004] 具体技术方案如下：一种基于有效目标判断的无人机机动目标检测方法，所述目 标检测方法应用基于BING特征的SVM分类器进行目标有效判断。
[000引进一步地，所述目标检测方法包括W下步骤：
[0006] A)将上一帖图像与当前帖图像进行配准；
[0007] B)将配准结果与当前帖图像进行差分和边缘抑制；
[0008] C)对差分图像进行形态学处理，连通目标区域并去除噪点影响；
[0009] D)在差分图像上检测目标区域，并对目标区域进行有效判断，提取出实际运动目 标区域；
[0010] E)在原始图像中框选出有效运动目标并显示检测图像。
[0011] 进一步地，所述步骤A)具体包括如下步骤:将上一帖图像f 1-1进行缩放因子为S的 尺度放缩，图像f 1-1缩放前的宽为W，高为h，图像f 1-1缩放后的低分辨率图像fi-is的宽为 高为在图像fi-is上选取W图像中屯、点为中，宽和高均为1的矩形tR，其中1取值为： 惠
[001引
中的最小值，将f i-iS图像上，tR区域的图像 块fi-严作为低分辨率图像模板匹配的模块，在当前分辨率图像扣匹配模版fi-严，得到在扣 上模版中屯、点的最佳匹配的位置(x，y)，应用如下公式计算两帖图像之间的水平和垂直方 向上的偏移dx与dy:
[0015] 根据偏移dx与dy对摄像机的平移运动进行补偿，重复操作完成对连续帖之间的平 移运动补偿。
[0016] 进一步地，所述步骤A)还包括消除目标旋转运动，具体包括如下步骤：
[0017] 1)在图像fi-is上提取特征点集合(识-1，如'-1);
[0018] 2}将每一个特征点知:-1，與;-1)映射至原始尺寸下的坐标(r*從妍;pL);
[0019] 3)W每一个特征点(^八此-为中屯、，在图像fi-止选取变长为Ifeature的矩 形框，将框中的图像块存储为该特征点的区域模块;
[0020] 4似每一个特征点(Λ *代' I +Φ,、*所:'I +命,)为中屯、，在图像fi上选取边长为Irange 的矩形框作为捜索范围，对/;Γ?进行匹配，找到边长为Lange矩形框内最匹配的位置，并计算 匹配程度；
[0021] 5)对所有特征点匹配的匹配度进行排序，保留匹配程度最高的前18对匹配点，基 于运18对匹配点，计算两帖图像之间的单应性矩阵H，完成对摄像机旋转平移运动的补偿。
[0022] 进一步地，在步骤A)中获得图像f 1-1相应的配准图像/:,，在步骤B)中将配准图像 C,与当前帖图像fl进行差分，获得差分图像dl，对差分图像是否有效检测到运动目标进行 判断，所述判断包括W下步骤：
[0023] 1)对差分图像di进行二值化处理，灰度值大于阔值Θ的像素点的灰度值置为255， 灰度值小于阔值Θ的像素点的灰度值置为0,所述θ = 30;
[0024] 2)计算di中非零像素点的数量ii;
[0025] 3)若ii大于di总像素数量的1%则判断该帖配准误差较大，放弃在该帖进行目标检 测，若ii小于di总像素数量的1 %则继续进行下一步处理。
[0026] 进一步地，所述步骤C)对差分图像di进行形态学处理W连通目标区域并去除差分 图像中噪点的影响，步骤C)中具体采用如下步骤将目标区域连通起来：
[0027] (1)对差分图像di进行膨胀操作，其中膨胀内核尺寸为ki*ki，所述ki = 11;
[0028] (2)进行腐蚀操作，其中腐蚀内核尺寸为ki*ki;
[0029 ] (3)进行中值滤波，其中滤波内核尺寸为k2*k2，所述k2 = 3;
[0030] (4)进行膨胀操作，其中腐蚀内核尺寸为k3*k3,所述k3 = 9;获得连通目标区域作为 疑似目标区域，完成连通。
[0031 ]进一步地，所述步骤D)对目标区域进行有效判断具体包括如下步骤：
[0032] (1)截取已有无人机实拍视频中的运动目标图像作为训练正样本，随机获得其他 图像作为训练负样本，经过测试，在正样本数量为400-600,负样本数量为800-1200;
[0033] (2)分别提取所有正负样本图像的BING特征，具体实现方式为：
[0034] 对于输入图像Si，计算Si的梯度图像gi，对梯度图像gi进行尺度变化，获得尺度为 gx*gx的梯度图像giB，所述gx取值为8;对giB中所有像素点的像素值进行归一化处理获得 BING特征图像，所述归一化阔值gt取为100;
[0035] (3)采用SVM对正负样本图像对应的BING特征图像进行训练，获得基于BING特征的 目标有效性判断模板W;
[0036] (4)按照步骤(2)中的方法分别提取图像fi中所有疑似目标区域的BING特征图像 对判据模板W和分别进行与运算，并统计运算结果中非零点的数量i2,若i2〉t则 认为该区域为有效运动目标区域，若i2<t则认为该区域为无效运动目标区域，其中t为调节 目标判断严格程度的参数。
[0037] 本发明与现有技术相比的优点在于:和已有基于运动平台的运动目标检测方法相 比，本发明提出的运动目标检测方法具有W下两个特点：
[0038] 1)检测率高，误检率低，受运动平台姿态变化W及外界干扰的影响小；
[0039 ] 2)各个步骤运算量较低，方法实时性强。
[0040]通过对大量不同型号、不同载荷、在不同地点和不同时段拍摄的无人机视频进行 试验，证明所提出的方法实现了实时目标检测，获得了较好的目标检测结果。
【附图说明】
[0041 ]图1为本发明检测方法的流程示意图；
[0042 ]图2为本发明形态处理前的差分图像；
[0043] 图3为本发明形态处理后的差分图像；
[0044] 图4为本发明有效目标判断前检测结果图像；
[004引图5为本发明有效目标判断后检测结果图像。
【具体实施方式】
[0046] 下面从图像配准，图像差分，形态学处理，有效目标判断和实验结果比较分析等几 个方面，结合附图对本发明做进一步介绍。
[0047] 1、图像配准
[0048] 如图1、图2、图3、图4、图5所示，上一帖图像f i-i的宽为W，高为h。对f i-i进行缩放因 子为S的尺度缩放，缩放后的低分辨率图像fi-lS宽为^，:高为I。经过测试，S为4时匹配速度较 快，且不会过多影响匹配精度。在图像fi-iS上选取W图像中屯、点为中屯、，宽和高均为1的矩 形tRJ过大则会降低匹配精度，而1过小则会降低匹配速度，因此通过反复实验，1可使用如 下的公式计算获得
[0049]
[0050] 其中min(x，y)表示计算X和y中的最小值。将fi-is图像上，tR区域的图像块fi-itK作 为低分辨率图像模板匹配的模板。在当前低分辨率图像扣匹配模板fi-严。得到在扣上模板 中屯、点的最佳匹配的位置(x，y)。使用如下公式计算两帖图像之间在水平和垂直方向上的 偏移dx与dy。
[0053] 在图像大小缩小至时使用中屯、区域模板匹配可W快速对摄像机的平移运动 进行补偿。通过重复该操作可实现对连续帖之间的平移运