[发明专利]一种快速自动目标检测方法

说明书

本发明主要属于目标入侵检测技术领域，具体涉及一种基于无人机影像的区域闯入的目标检测方法。所述方法用于无人机的目标检测，所述方法对无人机机载摄像头获取的原始视频中的原始图像进行高斯金字塔分层，以降低特征点提取的计算复杂度；然后提取图像SIFT特征点进行图像配准、采用金字塔的LK稀疏光流捕获图像中的运动信息以实现目标点运动计算、运动点聚类并剔除伪目标、最终进行目标判定实现目标检测。所述方法能够降低无人机视频的帧间特征点搜索范围，克服无人机影像中的运动大位移问题，提高检测能力；从而降低区域闯入的人工检测强度，提高无人机的自动感知能力。

技术领域

本发明主要属于目标入侵检测技术领域，具体涉及一种基于无人机影像的区域闯入的目标检测方法。

背景技术

目标检测是将监控场景中的单帧图像或者序列图像的感兴趣目标与背景区域分割出来，从图像中识别和提取有意义的物体实体的操作。无人机完成各种任务的先决条件是快速准确地检测出监控场景中的目标。当前无人机运动目标检测算法的研究均处于针对特定问题设计特定方法的阶段，对复杂多变的工作场景的自适应能力差。而且，目标检测级别要求根据应用环境不同而有差异。总体来说，目标检测的首要任务是搜索一定场景范围，判断目标是否存在，并将目标与背景、目标与噪声分开，完成目标位置区域的提取。

运动目标检测一般包括帧间差分法、背景差分法和光流法。帧间差分适用于动态变化的背景，计算量小，检测精度不高。背景差分关键是对背景进行建模生成背景图像，通过当前帧图像与背景图像进行差分检测运动目标，但难点在于对背景模型建模。光流法包含场景中物体的运动场信息，合并相似的运动矢量可检测出目标，不需要掌握目标的先验知识。

光流计算方法可分为基于频率能量、基于特征关联匹配和基于微分梯度的三类方法。基于频率能量的光流法是在傅立叶空间中通过速度调谐滤波器计算光流。基于特征匹配的关联匹配方法的关键问题是影像特征的选取、匹配准则、窗口尺寸和搜索策略的选择。基于微分梯度的方法通过序列影像中像素灰度的时空变化计算光流，这类方法中经典的计算方法是Horn-Schunck和Lucas-Kanade局域算法。对于无人机上搭载的载荷获得的视频影像，时域和空域上常常不满足光流的连续性条件。特征匹配只能获取局部区域内的特征点对应光流，无法描述无人机视频帧整体运动位移情况，计算时间长。基于微分梯度的方法具有整体性，可获得全局光流，实效性较好。两种方法相互间具有一定的互补性，结合空间大。

发明内容

针对上述问题，本发明提供一种快速自动目标检测方法。所述方法相比传统的基于SIFT的图像配准方法和基于Lucas-Kanada稠密光流计算方法，降低无人机视频的帧间特征点搜索范围，克服无人机影像中的运动大位移问题，提高检测能力；从而降低区域闯入的人工检测强度，提高无人机的自动感知能力。

本发明是通过以下技术方案实现的：

一种快速自动目标入侵检测方法，所述方法用于无人机的目标检测，所述方法对无人机机载摄像头获取的原始视频中的原始图像进行高斯金字塔分层，以降低特征点提取的计算复杂度；然后提取图像SIFT特征点进行图像配准、采用金字塔的LK稀疏光流捕获图像中的运动信息以实现目标点运动计算、运动点聚类并剔除伪目标、最终进行目标判定实现目标检测。

进一步地，所述方法包括以下步骤：

(1)原始视频的获取：根据无人机对监控区域的巡检方式，设置机载摄像头的位置，获得原始视频；

(2)图像配准：将原始视频中的原始图像进行高斯金字塔分层，提取图像的SIFT特征点，进行图像配准；

(3)特征点运动计算：对经过步骤(2)图像配准后的图像采用LK稀疏光流计算并捕获图像中任意特征点的运动信息；其中，所述运动信息包括运动方向和运动速度；

(4)运动点聚类：基于步骤(3)获得的任意特征点的运动信息，对无人机监视区域中所有特征点的运动方向和运动速度进行聚类；