一种低慢小目标的定位方法及定位装置制造方法及图纸

本发明专利技术实施例涉及一种低慢小目标的定位方法，该方法包括：预先采集目标图像，堆叠该目标图像的多个帧形成目标图像训练序列，将该目标图像训练序列进行标记形成目标训练样本集；基于所述目标训练样本集对训练样本进行训练，利用目标图像的梯度方向统计特征得到分类器权重，基于所述分类器权重获得目标图像检测模型；利用所述目标图像检测模型对待测目标图像进行检测，检测待测目标图像是否存在低慢小目标。本发明专利技术还公开了一种低慢小目标的定位装置。本发明专利技术通过堆叠多个帧形成目标图像训练序列，既利用了目标外表特征信息，也利用了低慢小目标的运动信息，能够有效地检测到低慢小目标并提高了检测的准确度。

A LOCATION METHOD FOR LOW-SLOW SMALL TARGETS AND A LOCATION DEVICE

【技术实现步骤摘要】
一种低慢小目标的定位方法及定位装置
本专利技术属于无人机检测、定位
,具体涉及一种低慢小目标的定位方法及定位装置。
技术介绍
“低慢小”目标，全称“低空、慢速、小型飞行目标”，飞行高度一般在1000米以下，速度较慢，雷达反射面积小，存在“难发现、难捕捉、难处置、难应对”的特点，“低慢小”目标对重要目标的空防安全形成极大威胁。因此，如何对“低慢小”目标进行有效追踪和定位已成为本领域内的技术难题。目前对空中低慢小目标的物理拦截方式包括雷达、微波、激光、声阵列等方式，但其存在使用维护为本高、易造成二次伤害等问题。目前，现有技术中的无人机载视觉系统主要是对运动目标进行检测、跟踪，用于检测并跟踪地面目标等平面目标；利用无人机搭载抛网装置，通过机载视觉系统提供目标信息，导引无人机接近目标后进行网式软杀伤拦截，以无人机反制“低慢小”是一种跟踪“低慢小”目标的可行方式，但是无法获取目标的相对三维坐标并精确跟踪空中“低慢小”此类非合作运动目标。由于空中“低慢小”目标具有速度变化快、目标物自身体积微小等特点；同时，目标物周围环境复杂，这些因素导致现有技术中的无人机跟踪系统很难对空中“低慢小”目标进行有效的检测、跟踪及定位。现有技术中的一种基于双目视觉测距的无人机跟踪运动目标系统，包括无人机平台、地面控制站；其中，无人机平台，通过双目相机实时获取运动目标图像，进行基准图像跟踪及双目立体匹配，获取运动目标的空间三维坐标，并对运动目标进行自动接近及跟踪；地面控制站，用于引导无人机平台初步接近运动目标，接收无人机平台发送的运动目标图像并显示，并对图像中的目标区域进行初步标定，该现有技术主要是一种目标跟踪方法，没有目标检测功能，需要提前提供目标的跟踪基准图像，不具备自动化地检测、跟踪能力。另外，假设其中，Ii为训练样本集中的目标图像，SX、Sy、St分别为目标图像Ii的长、宽以及“低慢小”目标的个数。然而，现有技术中的训练方法中的训练目标图像集多数为即这种训练样本中仅包括“低慢小”目标的外表图像信息SX、Sy，不包括目标物的运动信息，例如目标在图像中出现的位置、目标的运动轨迹等，这样使检测到“低慢小”目标的准确度较低。因此，迫切需要提出一种可以有效地提高针对“低慢小”目标的自动化程度高的定位方法。
技术实现思路
有鉴于此，本专利技术实施例提供一种低慢小目标的定位方法及定位装置，用以解决现有技术中难以对目标进行自动化检测的问题或目标检测准确度低的技术问题。第一方面，本专利技术实施例提供了一种低慢小目标的定位方法，该方法包括：预先采集目标图像，堆叠该目标图像的多个帧形成目标图像训练序列，将该目标图像训练序列进行标记形成目标训练样本集；基于所述目标训练样本集对训练样本进行训练，利用目标图像的梯度方向统计特征得到分类器权重，基于所述分类器权重获得目标图像检测模型；利用所述目标图像检测模型对待测目标图像进行检测，检测待测目标图像是否存在低慢小目标。进一步的，所述形成目标训练样本集包括以下子步骤：采集空中的待训练目标的视频图像，获取第一目标图像；对第一目标图像进行归一化处理，获得第二目标图像；堆叠第二目标图像中的多个帧形成目标图像序列，把目标图像序列中包含低慢小目标的图像作为正样本；将不包含低慢小目标的图像作为负样本；将正样本和负样本合并形成目标训练样本集。进一步的，所述堆叠第二目标图像中的多个帧形成目标图像序列包括：若低慢小目标的速度大于预设的速度阈值时，则从所述目标图像序列中取出连续的多个帧，并将所述连续的多个帧进行堆叠作为正样本；若低慢小目标速度小于等于预设的速度阈值时，则从所述目标图像序列中取出多个间隔的邻近帧作为选用帧，并将所述选用帧进行堆叠作为正样本。进一步的，所述基于所述分类器权重获得目标图像检测模型包括以下子步骤：提取目标训练样本集中的训练样本的图像的梯度方向统计特征；利用Adaboost算法生成最优弱分类器，将目标图像的梯度方向统计特征输入该最优弱分类器进行训练，得到分类器权重；对所述最优弱分类器赋予所述分类器权重并进行迭代，获得目标图像检测模型。进一步的，所述目标训练样本集中的目标图像的梯度方向统计特征包括:训练样本的图像的梯度和梯度强度、训练样本的图像消除噪声后的梯度强度、训练样本的图像的梯度方向和梯度能量。进一步的，所述定位方法还包括在检测到待测目标图像中包括低慢小目标后，进一步对低慢小目标进行跟踪；所述对低慢小目标进行跟踪包括：对目标区域进行双目匹配以获得低慢小目标的三维坐标；利用KCF方法对低慢小目标进行跟踪。第二方面，本专利技术实施例提供了一种低慢小目标的定位装置，所述装置包括样本集获取模块、训练模块和检测模块；所述样本集获取模块预先采集目标图像，堆叠该目标图像的多个帧形成目标图像训练序列，将该目标图像训练序列进行标记形成目标训练样本集；所述训练模块基于所述目标训练样本集对训练样本进行训练，利用目标图像的梯度方向统计特征得到分类器权重，基于所述分类器权重获得目标图像检测模型；所述检测模块利用所述目标图像检测模型对待测目标图像进行检测，检测待测目标图像是否存在低慢小目标。进一步的，所述样本集获取模块包括采集模块、归一化模块、堆叠模块和合并模块：所述采集模块用于采集空中的待训练目标的视频图像，获取第一目标图像；所述归一化模块用于对第一目标图像进行归一化处理，获得第二目标图像；所述堆叠模块用于堆叠第二目标图像中的多个帧形成目标图像序列，把目标图像序列中包含低慢小目标的图像作为正样本；将不包含低慢小目标的图像作为负样本；所述合并模块用于将正样本和负样本合并形成目标训练样本集。进一步的，若低慢小目标的速度小于等于预设的速度阈值时，所述堆叠模块从所述目标图像序列中取出连续的多个帧，并将所述连续的多个帧进行堆叠作为正样本；若低慢小目标速度大于预设的速度阈值时，所述堆叠模块从所述目标图像序列中取出多个间隔的邻近帧作为选用帧，并将所述选用帧进行堆叠作为正样本。进一步的，所述定位装置还包括跟踪模块；双目相机对目标区域进行双目匹配获得低慢小目标的三维坐标，所述跟踪模块利用KCF方法对低慢小目标进行跟踪。本专利技术通过堆叠多个帧形成目标图像训练序列，既利用目标外表特征信息，也利用低慢小目标的运动信息，能够有效地检测到低慢小目标并提高了检测的准确度，从而满足了实用化需求；另外，采用双目相机对低慢小目标进行定位，可以获取低慢小目标的三维坐标，并采用KCF方法跟踪低慢小目标，从而能够更准确地跟踪低慢小目标。附图说明图1为本专利技术实施例提供的一种低慢小目标的定位方法的流程示意图；图2A为本专利技术实施例提供的一种训练样本集中的正样本的示意图；图2B为本专利技术实施例提供的一种训练样本集中的负样本的示意图；图3A为本专利技术实施例对连续帧进行堆叠的示意图；图3B为本专利技术实施例对邻近帧进行堆叠的示意图；图4为本专利技术实施例提供的一种训练目标图像检测模型的流程示意图；图5为本专利技术实施例提供的一种对低慢小目标进行检测及跟踪的方法的流程示意图；图6为本专利技术实施例提供的一种低慢小目标的定位装置的结构示意图。具体实施方式下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上本文档来自技高网...

【技术保护点】
1.一种低慢小目标的定位方法，其特征在于，该方法包括：预先采集目标图像，堆叠该目标图像的多个帧形成目标图像训练序列，将该目标图像训练序列进行标记形成目标训练样本集；基于所述目标训练样本集对训练样本进行训练，利用目标图像的梯度方向统计特征得到分类器权重，基于所述分类器权重获得目标图像检测模型；利用所述目标图像检测模型对待测目标图像进行检测，检测待测目标图像是否存在低慢小目标。

【技术特征摘要】
1.一种低慢小目标的定位方法，其特征在于，该方法包括：预先采集目标图像，堆叠该目标图像的多个帧形成目标图像训练序列，将该目标图像训练序列进行标记形成目标训练样本集；基于所述目标训练样本集对训练样本进行训练，利用目标图像的梯度方向统计特征得到分类器权重，基于所述分类器权重获得目标图像检测模型；利用所述目标图像检测模型对待测目标图像进行检测，检测待测目标图像是否存在低慢小目标。2.根据权利要求1所述的定位方法，其特征在于，所述形成目标训练样本集包括以下子步骤：采集空中的待训练目标的视频图像，获取第一目标图像；对第一目标图像进行归一化处理，获得第二目标图像；堆叠第二目标图像中的多个帧形成目标图像序列，把目标图像序列中包含低慢小目标的图像作为正样本；将不包含低慢小目标的图像作为负样本；将正样本和负样本合并形成目标训练样本集。3.根据权利要求2所述的定位方法，其特征在于，所述堆叠第二目标图像中的多个帧形成目标图像序列包括：若低慢小目标的速度大于预设的速度阈值时，则从所述目标图像序列中取出连续的多个帧，并将所述连续的多个帧进行堆叠作为正样本；若低慢小目标速度小于等于预设的速度阈值时，则从所述目标图像序列中取出多个间隔的邻近帧作为选用帧，并将所述选用帧进行堆叠作为正样本。4.根据权利要求1所述的定位方法，其特征在于，所述基于所述分类器权重获得目标图像检测模型包括以下子步骤：提取目标训练样本集中的训练样本的图像的梯度方向统计特征；利用Adaboost算法生成最优弱分类器，将目标图像的梯度方向统计特征输入该最优弱分类器进行训练，得到分类器权重；对所述最优弱分类器赋予所述分类器权重并进行迭代，获得目标图像检测模型。5.根据权利要求4所述的定位方法，其特征在于，所述目标训练样本集中的目标图像的梯度方向统计特征包括:训练样本的图像的梯度和梯度强度、训练样本的图像消除噪声后的梯度强度、训练样本的图像的梯度方向和梯度能量。6.根据权利要求1...

【专利技术属性】
技术研发人员：狄帅，赵巍，谭振文，陈爱斌，郭宇，郑典勇，
申请(专利权)人：北京中电慧视科技有限公司，
类型：发明
国别省市：北京,11