一种基于sift特征点的无人机检测方法及系统技术方案

本发明专利技术公开了一种基于sift特征点的无人机检测方法及系统，主要用于检测视频中是否存在无人机。其主要包括两个步骤：第一，判断视频中是否存在运动物体；第二，若视频中存在运动物体，则对视频的帧提取sift特征点，并使用KD树判断其是否属于无人机。判断视频是否存在运动物体的方法如下：首先从视频中提取连续的三帧图像，相邻帧间做差分运算，并将两幅图做“与”运算，得到结果图像；然后，使用ViBe方法检测运动物体，得到结果图像；最后，将以上两步得到的结果图像做“与”操作，即可判断视频中是否存在运动物体。若视频中有运动的物体，则判断运动物体是否为无人机，方法如下：首先，对判断为有运动物体的帧提取sift特征点；然后，使用KD树的分类方法对其进行判断，检测图像中是否有无人机。上述方法经过测试，可以有效地对视频中的无人机进行检测。

An UAV Detection Method and System Based on Sift Feature Points

【技术实现步骤摘要】
一种基于sift特征点的无人机检测方法及系统
本专利技术涉及信号处理和图像处理领域，尤其涉及一种无人机的检测方法。
技术介绍
近年来，随着微电子、自动化控制、单片机、地理遥感信息系统以及无线电通信技术的蓬勃发展，无人机开始向小型化、低成本化和民用化方向发展。无人机的快速发展在带来便利的同时也导致了一些问题，如“黑飞”“滥飞”，并且已经对人们的生活造成了一定的影响，对民航机场、雷达监测以及重大活动的安全保障带来了极大的安全隐患。无人机可能引起人伤物损、干扰航班飞行、测绘泄密以及被恐怖分子利用等危害，空域安全成为无人机监管的最大问题。因此，研发针对黑飞无人机的智能管控系统，对黑飞无人机采取强制手段，实时监测敏感区域中无人机使用情况十分迫切。无人机是典型的低小慢物体，主要特点是飞行高度低，飞行速度慢，可探测的面积小，所以无人机不容易被侦查发现。无人机的上述特点意味着传统的空中探测方法已不适合使用，需要针对无人机的特点研发相应的无人机检测方法。因此，本专利提出一种基于sift特征点检测的无人机检测方法及系统，可以有效解决无人机的检测问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于sift特征点检测的无人机检测方法，可以有效检测无人机。为了解决上述技术问题，本专利技术实施了一种基于sift特征点的无人机检测方法，所述方法包括：视频分帧，检测是否存在运动物体；若没有运动物体，则退出程序；若存在运动物体，提取sift特征点；使用KD树，判断是否为无人机。优选地，视频分帧，检测是否存在运动物体，具体流程包括：第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的平均值作为初始阈值T，并根据初始阈值将图像区分为前景和背景，前景和背景的像素数量分别为N1,N2，根据下式求得前景和背景的平均值，前景和背景的概率。根据下式可以求得分割阈值TT.TT＝a1a2(u1+u2)第二，相邻两帧进行查分运算，并将差分获得的两幅图像根据第一步获取的阈值TT进行二值化，并将两幅二值化图像做与运算，如下所示。Dk(x,y)＝Dk1(x,y)*Dk2(x,y)第三，对从第二步获得的二值图像Dk(x,y)先进行形态学腐蚀再进行膨胀操作，通过这个步骤的操作，可以去除噪声，得到一个二值图像DLast1(x,y)。第四，对图像帧中的每个像素点随机选择8个邻域的20个像素值，作为图像中此像素的样本集，检测新一帧图像时，求解检测图像中像素点与样本集之间的距离，如果距离小于设定的阈值的样本的数量大于数量阈值，则像素被分类成背景，否则被分类成前景。此方法成为ViBe方法，假设使用ViBe方法分类的二值图像为DLast2(x,y)。第五，将用不同方法得到的两个二值图像DLast1(x,y)和DLast2(x,y)进行与运算。即最终的结果为Img可以表示为下式：Img＝DLast1(x,y)*DLast2(x,y)第六，将Img图像进行判断，如果此二值图像的连通域，大于设定阈值，则判定为图像有运动物体，否则判定为没有运动物体。优选地，若没有运动物体，则退出程序：因为本专利提出的方法主要用于检测无人机，无人机处于运动中，所以检测无人机时，先判断图像中是否存在运动物体，如果不存在运动物体，则说明图片中没有无人机，则不需要后续的判断，可以提高算法的效率。优选地，若存在运动物体，提取sift特征点，具体流程如下：提取图像的SIFT特征点，因为无人机在图像中可能会发生旋转、大小缩放、光照变化等情况，SIFT特征点可以保证系统的鲁棒性。SITF特征点的确定如下所示：(1)建立尺度空间。利用高斯核函数建立尺度空间，则图像进行湿度变换可以表示为下式：L(x,y,σ)＝G(x,y,σ)*I(x,y)其中，I(x,y)表示原图像，G(x,y,σ)表示高斯核函数，L(x,y,σ)表示尺度空间。高斯核函数可以表示如下所示：其中，σ为尺度因子，决定了图像的平滑程度，尺度因子越大，则图像分辨率越低，表征图像的轮廓信息，尺度因子小，分辨率越高，表征图像的细节信息。(2)建立高斯差分尺度金字塔。为了保证检测到的特征点的稳定性，所以需要建立高斯差分尺度空间金字塔。对一幅图像建立不同尺度的图像，并对相邻两层做差分运算，构建完后对图像的长宽都进行减1/2的降采样，每层图像的差分运算表示如下所示：D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)(3)确立特征点。建立完高斯差分金字塔后，检索每个像素同尺度的邻域与其上下两层是否为极大值或极小值，如果是，则判定为改尺度下的特征点。(4)去除低对比度的点。有第(3)步确定的点，稳定性还不够高，需要进一步删除对比度低的点，这些点对噪声很敏感。根据(12)式，可以求得极值点的位置如下所示：将极值点可以判断，当小于0.3时，将其删除，不作为特征点。(5)描述子的计算。在筛选出稳定的特征点后，需要生成适当的描述子，梯度值和方向可表示为下式。每个点的梯度值表示邻域的主方向，该方向作为特征点的方向。在特征点对应的高斯平滑后的图像上求解描述子，每个特征点生成一个128维的特征向量。优选地，使用KD树，判断是否为无人机：使用基于主元素分析的KD树最邻近算法进行分类。此方法的主要思想是分析数据各个维度对主成分的贡献率，并根据这个来构造KD树。具体流程如下：(1)计算数据样本各个维度对主成分的贡献率。贡献率的计算方法如下：step1：计算数据之间的协方差，计算方法如下所示：step2：构造样本数据的协方差矩阵Cx，step3：计算写方差矩阵Cx的特征值和特征向量：假设协方差矩阵Cx的特征值从大到小排序为λ1,λ2,λ3,…,λn，对应的特征向量为μ1,μ2,μ3,…,μn，则特征向量矩阵如下所示：step4：选取主成分的个数：从特征向量选取前m个作为主元素，计算贡献率，用下式可计算：step5：计算原数据与主成分之间的关系：主成分矩阵为F，原数据矩阵为X，则有：F＝UX，则协方差可表示如下所示：Conv(Xi,Fj)＝μijλjstep6：计算数据对主成分的贡献率：(2)按照分割维度大小对数据进行排序，取该维度中的中值数据作为结点。(3)对数据进行判别，将分割平面上大于中值的点，存放在右子树空间，小于中值的点，放在左子树空间。(4)在左右子树空间上进行前面三步的迭代循环，知道最后左右子空间只有一个结点。在构造完基于PCA的KD树后，则可以查询，采取从根部开始查询的方法，自顶向下查询，直到叶子结点为止。另外，本专利技术实施例还提供了一种基于sift特征点的无人机检测系统，所述系统包括：运动物体检测模块：对输入视频进行分帧，检测是否存在运动物体；sift特征点提取模块：若图片中存在运动物体，在提取图片的sift特征点；无人机判断模块：对上述提取的sift特征点，使用KD树判断是否为无人机。优选地，一种基于sift特征点的无人机检测系统，其特征在于，对输入视频进行分帧，检测是否存在运动物体，具体流程如下：第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的本文档来自技高网...

【技术保护点】
1.一种基于sift特征点的无人机检测方法及系统，其特征在于所述方法包括：视频分帧，检测是否存在运动物体；若没有运动物体，则退出程序；若存在运动物体，提取sift特征点；使用KD树，判断是否为无人机。

【技术特征摘要】
1.一种基于sift特征点的无人机检测方法及系统，其特征在于所述方法包括：视频分帧，检测是否存在运动物体；若没有运动物体，则退出程序；若存在运动物体，提取sift特征点；使用KD树，判断是否为无人机。2.根据权利要求1所述一种基于sift特征点的无人机检测方法，其特征在于，视频分帧，检测是否存在运动物体，具体流程如下所示：第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的平均值作为初始阈值T，并根据初始阈值将图像区分为前景和背景，前景和背景的像素数量分别为N1，N2，根据以下式子求得前景和背景的平均值，前景和背景的概率。根据上式可以求得分割阈值TT.TT＝a1a2(u1+u2)第二，相邻两帧进行查分运算，并将差分获得的两幅图像根据第一步获取的阈值TT进行二值化，并将两幅二值化图像做与运算，如下式所示。Dk(x，y)＝Dk1(x，y)*Dk2(x，y)第三，对从第二步获得的二值图像Dk(x，y)先进行形态学腐蚀再进行膨胀操作，通过这个步骤的操作，可以去除噪声，得到一个二值图像DLast1(x，y)。第四，对图像帧中的每个像素点随机选择8个邻域的20个像素值，作为图像中此像素的样本集，检测新一帧图像时，求解检测图像中像素点与样本集之间的距离，如果距离小于设定的阈值的样本的数量大于数量阈值，则像素被分类成背景，否则被分类成前景。此方法成为ViBe方法，假设使用ViBe方法分类的二值图像为DLast2(x，y)。第五，将用不同方法得到的两个二值图像DLast1(x，y)和DLast2(x，y)进行与运算。即最终的结果为Img可以表示为下式：Img＝DLast1(x，y)*DLast2(x，y)第六，将Img图像进行判断，如果此二值图像的连通域，大于设定阈值，则判定为图像有运动物体，否则判定为没有运动物体。3.根据权利要求1所述一种基于sift特征点的无人机检测方法，其特征在于，若没有运动物体，则退出程序：因为本专利提出的方法主要用于检测无人机，无人机处于运动中，所以检测无人机时，先判断图像中是否存在运动物体，如果不存在运动物体，则说明图片中没有无人机，则不需要后续的判断，可以提高算法的效率。4.根据权利要求1所述一种基于sift特征点的无人机检测方法，其特征在于，若存在运动物体，提取sift特征点，具体流程如下：提取图像的SIFT特征点，因为无人机在图像中可能会发生旋转、大小缩放、光照变化等情况，SIFT特征点可以保证系统的鲁棒性。SITF特征点的确定如下所示：(1)建立尺度空间。利用高斯核函数建立尺度空间，则图像进行湿度变换可以表示为：L(x，y，σ)＝G(x，y，σ)*I(x，y)其中，I(x，y)表示原图像，G(x，y，σ)表示高斯核函数，L(x，y，σ)表示尺度空间。高斯核函数可以表示为：其中，σ为尺度因子，决定了图像的平滑程度，尺度因子越大，则图像分辨率越低，表征图像的轮廓信息，尺度因子小，分辨率越高，表征图像的细节信息。(2)建立高斯差分尺度金字塔。为了保证检测到的特征点的稳定性，所以需要建立高斯差分尺度空间金字塔。对一幅图像建立不同尺度的图像，并对相邻两层做差分运算，构建完后对图像的长宽都进行减1/2的降采样，每层图像的差分运算表示如下：D(x，y，σ)＝[G(x，y，kσ)-G(x，y，σ)]*I(x，y)＝L(x，y，kσ)-L(x，y，σ)(3)确立特征点。建立完高斯差分金字塔后，检索每个像素同尺度的邻域与其上下两层是否为极大值或极小值，如果是，则判定为改尺度下的特征点。(4)去除低对比度的点。有第(3)步确定的点，稳定性还不够高，需要进一步删除对比度低的点，这些点对噪声很敏感。可以求得极值点的位置如下所示：将极值点可以判断，当小于0.3时，将其删除，不作为特征点。(5)描述子的计算。在筛选出稳定的特征点后，需要生成适当的描述子，梯度值和方向可表示为下式。每个点的梯度值表示邻域的主方向，该方向作为特征点的方向。在特征点对应的高斯平滑后的图像上求解描述子，每个特征点生成一个128维的特征向量。5.根据权利要求1所述一种基于sift特征点的无人机检测方法，其特征在于，使用KD树，判断是否为无人机：使用基于主元素分析的KD树最邻近算法进行分类。此方法的主要思想是分析数据各个维度对主成分的贡献率，并根据这个来构造KD树。具体流程如下：(1)计算数据样本各个维度对主成分的贡献率。贡献率的计算方法如下：step1：计算数据之间的协方差，计算方法如下所示：step2：构造样本数据的协方差矩阵Cx，step3：计算写方差矩阵Cx的特征值和特征向量：假设协方差矩阵Cx的特征值从大到小排序为λ1，λ2，λ3，...，λn，对应的特征向量为μ1，μ2，μ3，...，μn，则特征向量矩阵如下所示：step4：选取主成分的个数：从特征向量选取前m个作为主元素，计算贡献率，用下式可计算：step5：计算原数据与主成分之间的关系：主成分矩阵为F，原数据矩阵为X，则有：F＝UX，则协方差可表示如下所示：Conv(Xi，Fj)＝μijλjstep6：计算数据对主成分的贡献率：(2)按照分割维度大小对数据进行排序，取该维度中的中值数据作为结点。(3)对数据进行判别，将分割平面上大于中值的点，存放在右子树空间，小于中值的点，放在左子树空间。(4)在左右子树空间上进行前面三步的迭代循环，知道最后左右子空间只有一个结点。在构造完基于PCA的KD树...

【专利技术属性】
技术研发人员：招继恩，朱勇杰，王国良，张海，谭大伦，周明，
申请(专利权)人：杰创智能科技股份有限公司，
类型：发明
国别省市：广东,44