一种基于背景建模辅助旋转目标检测的无人机监测方法技术

本发明专利技术涉及无人机监测技术领域，公开了一种基于背景建模辅助旋转目标检测的无人机监测方法，其技术方案要点是，ViBe算法进行背景建模获取运动目标实现对可疑目标的全覆盖，使用聚类算法筛选近距离目标，再利用旋转目标检测算法获取无人机目标，比对筛选出的目标进行精准定位的同时去除非无人机目标干扰且可得有无无人机悬停目标，并根据无人机目标旋转框的坐标可判断无人机目标的运动偏向。的坐标可判断无人机目标的运动偏向。的坐标可判断无人机目标的运动偏向。

【技术实现步骤摘要】
一种基于背景建模辅助旋转目标检测的无人机监测方法


[0001]本专利技术涉及无人机监测
，更具体地说，它涉及一种基于背景建模辅助旋转目标检测的无人机监测方法。

技术介绍

[0002]现有无人机监测多采用单一全局目标检测算法结合目标跟踪算法,单一全局目标检测算法侧重全局目标检测，而针对局部图像中可提取特征较少的小无人机目标检测效果差,且矩形框无法贴合无人机飞行姿态反馈运动偏向，需要引入实时目标跟踪算法获取无人机运动信息，占用大量计算机资源的同时也无法保证目标尺度快速变化情况下跟踪效果的稳定性。

技术实现思路

[0003]本专利技术的目的是提供一种基于背景建模辅助旋转目标检测的无人机监测方法，解决了针对局部图像中可提取特征较少的小无人机目标检测效果差,且矩形框无法贴合无人机飞行姿态反馈运动偏向，需要引入实时目标跟踪算法获取无人机运动信息，占用大量计算机资源的同时也无法保证目标尺度快速变化情况下跟踪效果的稳定性的问题。
[0004]本专利技术的上述技术目的是通过以下技术方案得以实现的：一种基于背景建模辅助旋转目标检测的无人机监测方法，包括如下步骤：输入实时视频流数据；基于ViBe算法对视频流的初始序列帧做背景建模，使用前景分割算法从后续视频流中分离出背景和前景；基于Kmeans算法对前景中存在的可疑运动目标的轮廓做聚类分析，提取出所有近距离可疑运动目标；基于旋转目标检测算法对当前帧的图像进行切片微调操作，检测出同一图像不同尺度的无人机目标的矩形框四点坐标及其旋转角度，并将不同切片检测出的无人机旋转框信息转换为整体图像中的无人机旋转框信息；无人机目标的旋转框坐标与近距离可疑运动目标轮廓的最小外包矩形坐标进行IOU匹配，匹配成功判定为无人机目标，匹配失败判定为非无人机目标；Vibe算法将非无人机目标归为背景，旋转目标检测算法检匹配失败的非无人机目标归类为悬停无人机目标。
[0005]作为本专利技术的一种优选技术方案，确定视频初始帧，对每一帧要处理的图像的每一个像素建立一个样本集，样本集的初始化从像素及自身的八邻域进行随机选取N次像素值作为模型样本值，并用于下一帧前后景分类的像素值比对。
[0006]作为本专利技术的一种优选技术方案，前景分割算法进行前后景分割的过程为：当前帧每个像素值减去上一帧像素值的绝对值为前景，ViBe算法根据当前帧的每个像素点的像素值与对应的样本集的像素值进行比对，以RGB通道建立空间坐标系，距离该像素点的欧氏
距离小于阈值的样本数达到N
min
个数，则判定此像素点属于背景。
[0007]作为本专利技术的一种优选技术方案，对前景中存在的可疑运动目标的轮廓做聚类分析的过程为：Kmeans算法从可疑运动目标中先任意选取一个目标的轮廓面积作为初始聚类中心，再计算每个目标轮廓面积到已有聚类中心的最小距离dis，最小距离dis计算公式如下：，其中表示为第i个目标轮廓面积，表示为已有聚类中心。
[0008]作为本专利技术的一种优选技术方案，场景变化出现大量前景时，采用场景自适应更新策略，以当前帧作为初始帧并重新进行样本集合的初始化。
[0009]作为本专利技术的一种优选技术方案，采用前景点计数法将连续多次检测为前景的像素点更新为背景点。
[0010]作为本专利技术的一种优选技术方案，基于旋转目标检测得出的无人机目标携带的旋转角和坐标起点信息，可根据旋转角度与无人机飞行姿势比对推算出无人机目标的运动偏向。
[0011]综上所述，本专利技术具有以下有益效果：1. 旋转目标检测算法基于图像切片推理结合，实现图像全图推理，切片推理侧重图像中较小目标检测避免图像中特征明显的小目标因为下采样等操作的漏检情况，全图推理保证较大目标不会因为切片失去全局信息而漏检，切片推理和全图推理保证旋转目标检测算法保证存在一定特征信息的运动目标都能被检测出来，完成与可疑运动目标的匹配。
[0012]2. ViBe算法辅助旋转目标算法检测无人机，旋转目标算法分析匹配结果影响ViBe算法模型更新策略，ViBe算法区分前后景获取所有可疑运动目标，由旋转目标检测结果确认无人机目标、非无人机目标，非无人机目标触发ViBe算法背景更新策略，为后来帧图像减少非无人机目标干扰。
[0013]3. 近距离无人机目标的悬停状态和运动偏向估计，将匹配失败的旋转目标检测算法所得无人机目标直接归类为悬停无人机目标，由旋转目标检测算法给出每个无人机目标的旋转坐标起始信息和旋转角直接推算出运动偏向。
附图说明
[0014]图1为本专利技术实施例提供的一种基于背景建模辅助旋转目标检测的无人机监测方法的流程图；图2为本专利技术实施例提供的ViBe算法对视频流的初始序列帧做背景建模的流程图；图3为本专利技术实施例提供的旋转目标检测算法对当前帧的图像进行切片微调操作的流程图；图4为本专利技术实施例提供的不同切片检测出的无人机旋转框信息转换为整体图像中的无人机旋转框信息的流程图；图5为本专利技术实施例提供的一种基于背景建模辅助旋转目标检测的无人机监测方法的框架图。
具体实施方式
[0015]以下结合附图对本专利技术作进一步详细说明。
[0016]本专利技术提供一种基于背景建模辅助旋转目标检测的无人机监测方法，如图1所示，包括如下步骤：S1、将指定区域的实时视频流数据输入到ViBe算法中；S2、基于ViBe算法对目标视频流的初始序列帧做背景建模，使用前景分割算法从后续视频流中分离出背景和前景；其具体的过程为：模型初始化,如图3所示，确定好视频初始帧后，对每一帧要处理的图像的每一个像素建立一个样本集，样本集的初始化则是考虑到像素点的时空分布性，从像素及自身的八邻域进行随机选取N次像素值作为模型样本值，并用于下一帧前后景分类的像素值比对；像素前后景分类，区别于帧差法直接将上一帧当背景，前景分割算法将当前帧每个像素值减去上一帧像素值的绝对值为前景；ViBe算法则是根据当前帧的每个像素点的像素值与对应的样本集的像素值进行比对，以RGB通道建立空间坐标系，距离该像素点的欧氏距离小于阈值的样本数达到N
min
个数则判定此像素点属于背景，从而实现前后景分割；模型更新，采用场景自适应更新策略和前景点计数法结合，并联动旋转目标检测算法；场景自适应更新策略使用属于背景的像素点来更新模型；同时，当拍摄镜头角度发生变化时，场景也会发生变化，场景变化会出现大量前景，因此以当前帧作为初始帧并重新进行样本集合的初始化的策略；而灰度梯度变化大的前景点计数法则是将连续多次检测为前景的像素点更新为背景点；兼顾这两个策略，场景变化情况下优先进行模型再次初始化；非场景变化情况下原先被分为背景的像素点以0.3
‑
0.5的概率直接进行自身或领域点的样本集更新，而属于前景的像素点满足连续多次被分为前景点后变更为背景点以0.3
‑
0.5的概率只参与自身样本集的更新；此外，旋转目标检测算法检测结果与经过Kmeans算法聚类筛选过的ViBe算法前景结果进行匹配，ViBe算法匹配失败的前景目标内的像素点都转为背景点参与更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于背景建模辅助旋转目标检测的无人机监测方法，其特征是：包括如下步骤：输入实时视频流数据；基于ViBe算法对视频流的初始序列帧做背景建模，使用前景分割算法从后续视频流中分离出背景和前景；基于Kmeans算法对前景中存在的可疑运动目标的轮廓做聚类分析，提取出所有近距离可疑运动目标；基于旋转目标检测算法对当前帧的图像进行切片操作，检测出同一图像不同尺度的无人机目标的矩形框四点坐标及其旋转角度，并将不同切片检测出的无人机旋转框信息转换为整体图像中的无人机旋转框信息；无人机目标的旋转框坐标与近距离可疑运动目标轮廓的最小外包矩形坐标进行IOU匹配，匹配成功判定为无人机目标，匹配失败判定为非无人机目标；Vibe算法将非无人机目标归为背景，旋转目标检测算法检匹配失败的非无人机目标归类为悬停无人机目标。2.根据权利要求1所述的一种基于背景建模辅助旋转目标检测的无人机监测方法，其特征是：确定视频初始帧，对每一帧要处理的图像的每一个像素建立一个样本集，样本集的初始化从像素及自身的八邻域进行随机选取N次像素值作为模型样本值，并用于下一帧前后景分类的像素值比对。3.根据权利要求1所述的一种基于背景建模辅助旋转目标检测的无人机监测方法，其特征是：前景分割算法进行前后景分割的过程为：当前帧每个像素值减去上一帧像素值...

【专利技术属性】
技术研发人员：刘涛，田甜，
申请(专利权)人：南京瀚元科技有限公司，
类型：发明
国别省市：