一种用于动态环境下的无人机实时检测方法技术

本发明专利技术公开了一种用于动态环境下的无人机实时检测方法，包括：步骤一，建立Otsu‑HSV颜色模型：步骤二，将图像输入Otsu‑HSV颜色模型使用BING算法检测，结合重叠面积公式消除部分重合度较大的检测窗口；步骤三，结合线性加权法的NMS算法，对一些原来非极大值需要抑制的窗口，采用较低的置信度代替其原来的置信度分数。本申请将HSV空间与最大类间方差法联合，引入重叠面积以及线性加权得分，提出改进的BING/NMS算法，最终在满足实时性的前提下，保证无人机检测的准确率和最佳重叠率，降低误检率和漏检率。

【技术实现步骤摘要】
一种用于动态环境下的无人机实时检测方法
本专利技术涉及一种无人机检测方法，具体说是一种用于动态环境下的无人机实时检测方法。
技术介绍
现代空战中，无人机由于体积小、成本低、安全性高等优点，发挥了越来越重要的作用。其中，敌方目标探测和识别一直是业界研究的热点，随着航空航天技术的不断发展，战场环境对实时性、准确性的要求越来越高，人工判读航空图像检测的方式已经不能适应现代信息化战争的需求。如果可以自动检测和识别对象，那么无人机真正自主飞行将是可行的。基于RGB颜色空间的目标检测，当进行颜色分离时，容易发生误分离的状况，遗漏有用信息，或者会在有用信息中掺杂了无用信息，现代空战中，无人机所处的动态环境背景复杂，故使用RGB颜色空间不利于无人机的图像检测。HSV颜色空间从人的视觉系统出发，从色调(Hue)、对比度(Saturation)和亮度(Value)3个参数来提取图像信息，提高了图像的分辨水平，能够有效提取图片信息。因此，相比RGB颜色空间，HSV颜色空间与人眼对颜色的感知相一致，更有利于对无人机目标特征信息的提取，但是HSV颜色空间在背景与目标灰度级交叉重叠时不易区分。最大类间方差法(Otsu)通过计算背景与目标间离散测度矩阵的迹得到最佳分割阈值，当目标与背景的灰度级相近时分割效果很好。空战中无人机所处的动态环境复杂，隐蔽性很高，无人机目标与背景之间灰度差较小，基于HSV颜色空间与人眼有很好视觉一致性的优点。无人机目标是一种具有高机动性特征的典型时间敏感目标，对无人机目标的检测方法应满足实时和精确的要求。目前的目标检测方法主要分为基于分组提取的算法和基于窗口得分的算法，基于分组提取的算法耗时长，检测效率较低，基于窗口得分的算法检测准确率和效率相对较高，其中尤以BING算法最为优异，所产生的候选图像区域数量大大少于滑动窗口生成的图像区域数量，检测效率高。BING算法后处理过程中，每个尺度产生一些建议窗口，而不同尺度图像包含目标的可能性不同，对于不同尺度的图像学习一个权值，得到一个置信度分数。最后运用非极大值抑制算法(Non-MaximumSuppression，NMS)，即一个迭代-遍历-消除的过程，抑制非极大值元素，得到非极大置信得分的候选框，消除多余的框，找到最佳的物体位置。传统BING算法虽在飞机检测上有应用，但在空战无人机检测中未得到广泛应用。无人机集群飞行中受光照、相互遮挡影响大，且动态环境下背景复杂，另外传统BING算法在检测无人机集群时，尺寸大的检测边界框往往会将尺寸小的检测边界框完全覆盖，产生一些重复的候选框，从而造成误检；无人机集群相互遮挡时，两个无人机候选框区域重叠面积超过非极大值抑制算法的阈值时，按照传统的BING算法后处理中的非极大值抑制算法只能够保留一个无人机，造成漏检，以上问题导致无法满足无人机检测实时和准确的处理要求。
技术实现思路
面向传统的BING算法在空战无人机检测中未得到广泛应用，且无人机具有背景复杂、易受光线干扰、隐蔽性较高以及集群性的特点，针对传统BING算法检测所提取的目标容易误检和漏检问题，本申请将HSV空间与最大类间方差法联合，引入重叠面积以及线性加权得分，提出改进的BING/NMS算法，最终在满足实时性的前提下，保证无人机检测的准确率和最佳重叠率，降低误检率和漏检率。为实现上述目的，本申请的技术方案为：一种用于动态环境下的无人机实时检测方法，包括：步骤一，建立Otsu-HSV颜色模型：S11.将图片从RGB颜色空间转换到HSV颜色空间；S12.将H、S、V这3个通道图像抽取出来，以V通道信息为主，使用最大类间方差法进行预分割；S13.融合S通道信息组成新的图像，对新的图像进行二次分割，完成第二次分割过程，形成Otsu-HSV颜色模型。该方法利用包含丰富特征信息的HSV空间，以及Otsu较易区分相似灰度的特点，通过两者结合形成Otsu-HSV颜色模型，可以有效地处理背景复杂情况下的动态环境，保证良好地完成图像的预处理；步骤二，基于重叠面积的使用BING算法进行处理：S21.将图像输入Otsu-HSV颜色模型使用BING算法检测；S22.结合重叠面积公式消除部分重合度较大的检测窗口。该方法检测无人机集群目标时，在出现两个候选框交集的面积与其中面积较小的候选框相等，且得分相差不大情况下，可抑制其中面积较大的候选框，从而减少误检；步骤三，基于线性加权的使用NMS算法进行处理：S31.对不同尺度的输入，基于重叠面积的BING算法会产生很多置信度得分不同的建议窗口；S32.结合线性加权法的NMS算法，对一些原来非极大值需要抑制的窗口，采用较低的置信度代替其原来的置信度分数。该方法应用于无人机相互遮挡的集群检测时，可防止候选框区域重叠面积超过非极大值抑制算法的阈值情况下，只能够保留一个无人机的问题，从而避免产生漏检。进一步的，构建Otsu-HSV颜色模型，具体是：将输入图片从RGB颜色空间转换到HSV颜色空间，在HSV颜色空间中将H、S、V这3个通道图像抽取出来，以V通道信息为主，使用最大类间方差法进行预分割，得到的分割图像信息进一步与S通道信息融合，组成新的图像，然后对新的图像二次Otsu分割，可得到新变换的Otsu-HSV颜色模型，完成对无人机图像的预处理，进而在该模型中完成此后的无人机目标检测。进一步的，基于重叠面积的使用BING算法进行处理，具体是：传统的BING算法在检测无人机集群时，尺寸大的检测边界框往往会将尺寸小的检测边界框完全覆盖，产生一些重复的候选框，从而造成误检。因此，本专利技术为了消除重复的候选框，抑制一些重合度较大的检测窗口，降低误检率，改进BING算法，提出若得分低的候选检测框完全覆盖已选中的边界框，则丢弃该检测结果，记为OBING(OverlapBinarizedNormedGradients)算法。为此，引入公式(1.1)。其中Bi和Bj为检测窗口，当检测无人机目标时，出现两个候选框交集的面积与其中面积较小的候选框相等，且得分相差不大情况，则抑制其中面积较大的候选框，从而减少误检。进一步的，基于线性加权的使用NMS算法进行处理，具体是：传统的非极大值抑制算法只能够保留一个无人机，造成漏检。为了避免这个问题，考虑用较低一点的置信度分数代替原有的置信度分数，而非直接置0。因此，本专利技术在原来NMS基础上引入线性加权法，即基于线性加权的NMS算法，记为LNMS(LinearNonMaximumSuppression)算法。overlap＝(Bi∩Bj)/(Bi∪Bj)(1.2)对于当前候选框的重叠面积高于设定阈值T，将得分较低的窗口的得分乘以一个权值weight。重叠面积overlap越大，其置信度得分下降的越快，得分越低。这样当两个无人机检测出的矩形框重叠率大于指定阈值时也不会直接过滤掉，避免漏检。进一步的，对于阈值T的设定，目前目标检测方法的评价标准强调精确定位，并且要在多个重叠阈值下衡量候选框的平均精度。在LNMS算法中，我们阈值T如果采用较低阈值(如0.3)，可能导致平均精度下降。此外，当使用较高阈值(如0.7)会增加假正例，在这种情况下，假正例的增加将远大于真正例的增加，因为无人机目标的数量通常比算法生成的感兴趣区域(ROI)数量少得多，本文档来自技高网...

【技术保护点】
1.一种用于动态环境下的无人机实时检测方法，其特征在于，包括：步骤一，建立Otsu‑HSV颜色模型：步骤二，将图像输入Otsu‑HSV颜色模型使用BING算法检测，结合重叠面积公式消除部分重合度较大的检测窗口；步骤三，结合线性加权法的NMS算法，对一些原来非极大值需要抑制的窗口，采用较低的置信度代替其原来的置信度分数。

【技术特征摘要】
1.一种用于动态环境下的无人机实时检测方法，其特征在于，包括：步骤一，建立Otsu-HSV颜色模型：步骤二，将图像输入Otsu-HSV颜色模型使用BING算法检测，结合重叠面积公式消除部分重合度较大的检测窗口；步骤三，结合线性加权法的NMS算法，对一些原来非极大值需要抑制的窗口，采用较低的置信度代替其原来的置信度分数。2.根据权利要求1所述一种用于动态环境下的无人机实时检测方法，其特征在于，构建Otsu-HSV颜色模型具体步骤是：将输入图片从RGB颜色空间转换到HSV颜色空间，在HSV颜色空间中将H、S、V这3个通道图像抽取出来，V通道信息使用最大类间方差法进行预分割，得到的分割图像信息进一步与S通道信息融合，组成新的图像，然后对新的图像二次Otsu分割，得到新变换的Otsu-HSV颜色模型，完成对无人机图像的预处理。3.根据权利要求1所述一种用于动态...

【专利技术属性】
技术研发人员：冯建新，刘俊梅，栾帅帅，潘成胜，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21