一种应用于现代光电平台的空中无人机目标检测方法技术

本发明专利技术涉及一种应用于现代光电平台的空中无人机目标检测方法，包括无人机候选区域提取，候选区域评价、定位目标的正确性判断和结果处理。无人机候选区域提取是对灰度图进行多尺度滤波、提取差值图边缘、形态学运算和连通域操作得到候选区域。候选区域评价部分是基于候选区域均值和长宽比、邻域的均值和方差建立的评分机制，将最高得分的候选区域确定为定位目标。目标的正确性判断通过比较定位目标在当前帧和五帧后的状态，来判断定位目标是否正确。结果处理是当定位目标正确时完成检测，否则重新执行检测。则重新执行检测。则重新执行检测。

【技术实现步骤摘要】
一种应用于现代光电平台的空中无人机目标检测方法


[0001]本专利技术设计智能视频处理领域，具体涉及的是一种应用于现代光电平台的空中无人机目标检测方法。

技术介绍

[0002]目标检测技术是在视频中找到所有感兴趣的目标，进而确定感兴趣目标的位置和类型。目标检测技术在人机交互、交通检测和安防监控中具有广泛的应用。近年来，无人机凭借着自身体积小，行动迅速被广泛应用于军事侦查和目标打击的任务中。但是，也是由于无人机的体积小和运动快速的特点，使得安防设备发现并且防御入侵的无人机愈发艰难。
[0003]目前通过智能视频处理的方法来代替人工的无人机检测的方法也逐渐出现。但是现有的无人机目标检测技术存在着计算量大，计算操作复杂，并且检测结果容易受到树木和楼宇等真实环境信息的干扰的不足。计算复杂导致现有检测算法难以应用于现代光电平台上；计算操作复杂意味着难以在硬件资源有限的现代光电平台内部进行优化部署的；易受真实环境信息干扰意味着无人机监测方法的应用场景被极大的限制了。
[0004]因此，设计一种计算量低、计算操作简单、有效排除大量实际环境信息干扰并且可以部署在现代光电平台的无人机目标检测方法是具有重要应用价值的。

技术实现思路

[0005]本专利技术解决的问题：针对目前空中无人机目标检测方法易受到实际场景中的环境干扰以及因算法的计算复杂而无法在硬件资源有限的现代光电平台部署的问题，提供一种应用于现代光电平台的空中无人机目标检测方法。该方法不仅计算量低、计算方案简单、适合硬件平台进行优化，而且还可以在大量楼宇和树木背景下准确检测到空中无人机目标。
[0006]该检测方法具备在现代光电平台内部部署、实时的无人机目标的自动检测以及检测到错误目标的自动重新检测的特点。此外，本方法已经成功在Xilinx的ZCU104嵌入式硬件系统实现。该硬件单元被部署在现代光电平台内部后，可以控制现代光电平台自动的根据视频检测空中无人机目标并定位，然后结合后续帧信息判断定位到的目标是否正确，如果判断检测到目标错误就会自动重启检测再次寻找正确目标。在相机分辨率为720P(分辨率为1280
×
720)的现代光电平台中部署本专利技术方法后，可以对空中无人机的检测速度达到实时的50fps/s(每秒完成50次检测计算)的水平。
[0007]本专利技术所采用的技术方案是：一种应用于现代光电平台的空中无人机目标检测方法，该方法包括了无人机候选区域提取，候选目标区域评价以及定位目标的正确性判断三个组成部分，实现了部署在硬件资源有限的现代光电平台内部完成对空中无人机进行实时检测，最终定位一个准确的无人机目标的任务。本专利技术的方法包括以下步骤：
[0008]步骤一：无人机候选区域提取，对无人机候选区域进行特征提取，确定目标候选区域，具体如下：
[0009](1)将现代光电平台采集的视频帧t进行图灰度化为单通道灰度图，然后对单通道
灰度图进行归一化操作；
[0010](2)针对实际运行环境中存在的噪声影响，采用3*3大小的中值滤波操消除相机硬件电路或环境中存在的孤立强噪声点，得到输入图P
ori
；
[0011](3)为了发现具有显著性特征的区域，进而对输入图P
ori
分别进行小尺度的高斯滤波和大尺度的高斯滤波操作，得到小尺度滤波后的图P
min
和大尺度滤波后的图P
max
，其中小尺度高斯滤波算子为N
g
*N
g
(3≤N
g
≤5)大小，大尺度高斯滤波算子为视频帧t的宽度的1/N
bg
(假设视频帧t为1280像素*720像素，则大尺度高斯滤波算子大小为720/N
bg
*720/N
bg
，4≤N
bg
≤16)；
[0012](4)通过不同尺度的滤波后保留下来的内容中包含了目标的信息，因此将大尺度滤波图P
max
和小尺度滤波图P
min
进行逐个像素值做差后取的绝对值，得到差值图P
d
，紧接着对P
d
进行标准化得到注意力图P
att
，操作如下：
[0013]P
d
＝|P
max
‑
P
min
|
[0014][0015]其中，mean(p
d
)代表图p
d
中所有像素值的均值，std(p
d
)表示图p
d
中所有像素值的标准差；
[0016](5)考虑到计算量的因素，对注意力图P
att
直接进行连通域操作将会大幅提高整体计算量，因此这里先对P
att
进行Sobel算子边缘提取操作得到边缘信息图P
edge
；
[0017](6)对边缘信息图P
edge
进行形态学闭运算操作得到形态学图P
m
，将相邻的边缘信息进行连接，其中闭运算使用的形态学算子大小为N
m
*N
m
(3≤N
m
≤5)，形态闭运算操作A
·
B如下：
[0018][0019]其中，代表分形态学膨胀操作，是形态学腐蚀操作；
[0020](7)对闭运算后的形态学图P
m
进行连通域计算，得到n个连通域{α1，α2，...α
i
，...α
n
}，每个连通域大小分别是{Size1，Size2，...，Size
i
，...，Size
n
}。其中，Size
i
＝(Width
i
，Height
i
)，Width
i
，Height
i
分别是连通域α
i
的宽度和高度；
[0021](8)对每一个连通域α
i
进行筛选。考虑到无人机都有相似的宽高比的关系，因此满足以下条件的所有连通域i将作为目标候选区域：
[0022][0023]其中，Width
i
和Height
i
和分别代表连通域α
i
的宽度和高度，K1和K2是设定的常数阈值，0.25≤K1≤1，1＜K2≤4；
[0024]步骤二：目标候选区域评价，对每一个目标候选区域进行评价，从中获得目标可能性最高的区域，作为当前帧定位的目标，具体如下：
[0025](9)令筛选后的m个目标候选区域为{β1，β2，...β
j
，...β
m
}，对应的候选区域大小分别是{s，s2，...，s
j
，...s
m
}。s
j
＝(w
j
，h...

【技术保护点】

【技术特征摘要】
1.一种应用于现代光电平台的空中无人机目标检测方法，其特征在于：包括以下步骤：步骤一：无人机候选区域提取，对无人机候选区域进行特征提取，确定目标候选区域，具体如下：(1)将现代光电平台采集的视频帧t进行灰度化为单通道灰度图，然后对单通道灰度图进行归一化操作；(2)针对实际运行环境中存在的噪声影响，采用3*3大小的中值滤波操消除相机硬件电路或环境中存在的孤立强噪声点，得到输入图P
ori
；(3)对输入图P
ori
分别进行小尺度的高斯滤波和大尺度的高斯滤波操作，得到小尺度滤波图P
min
和大尺度滤波图P
max
，其中小尺度高斯滤波的算子大小为N
g
*N
g
，3≤N
g
≤5；大尺度高斯滤波算子大小为输入视频宽度的1/N
bg
，4≤N
bg
≤16；(4)通过不同尺度的滤波后保留的内容中包含目标信息，将大尺度滤波图P
max
和小尺度滤波图P
min
逐个像素值做差后取的绝对值，得到差值图P
d
，对差值图P
d
进行标准化得到注意力图P
att
，操作如下：P
d
＝|P
max
‑
P
min
|其中，mean(p
d
)代表差值图p
d
中像素值的均值，std(p
d
)表示差值图p
d
中像素值的标准差；(5)对注意力图P
att
进行Sobel算子边缘提取操作得到边缘信息图P
edge
；(6)对边缘信息图P
edge
进行形态学闭运算操作得到形态学图P
m
，来完成对边缘信息的连接，其中闭运算使用的形态学算子大小为N
m
*N
m
，形态闭运算操作A
·
B如下：其中，代表分形态学膨胀操作，是形态学腐蚀操作；(7)对形态学图P
m
进行连通域操作得到n个连通域{α1，α2，...α
i
，...α
n
}，每个连通域大小分别是{Size1，Size2，...，Size
i
，...，Size
n
}，其中，Size
i
＝(Width
i
，Height
i
)，Width
i
，Height
i
分别是连通域α
i
的宽度和高度；(8)对每一个连通域α
i
进行筛选，筛选条件是基于无人机的宽高比，满足以下条件的连通域α
i
将作为目标候选区域：其中，Width
i
和Height
i
和分别代表连通域α
i
的宽度和高度，K1和K2是设定的常数阈值，0.25≤K1≤1，1＜K2≤4；步骤二：目标候选区域评价，对每一个目标候选区域进行评价，从中获得目标可能性最高的区域，作为当前帧定位的目标，具体如下：(9)令筛选后的m个目标候选...

【专利技术属性】
技术研发人员：张弘，邢万里，杨一帆，袁丁，李岩，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：