基于生物特征的机场智能驱鸟系统模糊匹配算法技术方案

提供一种基于生物特征的机场智能驱鸟系统模糊匹配算法。其特征在于利用鸟类外形、飞行姿态等生物特征对机场鸟类进行模糊匹配，结合生物特征的鸟类图像模糊匹配算法首先检测鸟类图像的生物特征点，提取特征点的特征向量，根据相似性度量法计算匹配结果，通过提取线特征和面特征，重点关注检测准确的特征点和提取鲁棒的特征向量。算法引入模糊不变量和模糊不变量空间稀疏表达先验，可减轻模糊图像干扰，提高算法匹配性、复原性和鲁棒性。模糊不变量维度低，可减少计算量，提高算法速度，通过对图像灰度、特征、内容和结构等对应关系，采用相似性和一致性分析，寻找相同图像目标实现匹配。结合深度学习训练实现机场鸟类模糊图像快速匹配识别。速匹配识别。速匹配识别。

【技术实现步骤摘要】
基于生物特征的机场智能驱鸟系统模糊匹配算法
所属

[0001]本技术专利技术涉及航空航天、机场安全、信息技术等应用领域，适用于军用机场驱鸟、民用机场预警或驱鸟，针对机场或其它场景的鸟击事件防范，具体为一种基于生物特征的机场智能驱鸟系统模糊匹配算法。

技术介绍

[0002]近年来，随着航空事业的快速发展，世界各地鸟撞事故的发生概率成明显上升趋势，重大鸟撞事故时有发生，事故造成了严重的生命及财产损失，已经引起各国有关部门的高度重视。鸟击事故的频繁发生，是航空兵场站和民航机场的重点和难点问题。目前针对鸟击解决方案大多采用声波、光束、化学、生物等技术手段，如煤气炮、声波驱鸟器、激光驱鸟器、驱鸟风轮、驱鸟剂、无人机驱鸟、驱鸟机器鹰等。虽然能起到一定效果，但由于缺少探测识别装置、无法预警与驱离效果评估、没有智能化算法、驱离手段单一、针对性不强、缺乏大数据分析及深度学习等原因，使得驱鸟未能达到预期效果。
[0003]针对机场鸟击事件防范组建专业研发团队，继承前期复杂背景飞鸟雷达探测、光电及红外识别、鸟类特征研究、大数据统计分析、人工智能边缘计算、深度学习、声强和激光驱鸟技术等相关研究成果，采用“开放式、模块化”设计理念，可根据机场部署要求灵活搭配使用，具备“智能探测感知
→
数据融合处理
→
人工智能边缘计算
→
声、光多能驱赶
→
驱离效果评估
→
机器深度学习”等综合防范功能，研发了具有仿生学及光声电一体，人工智能机场探测感知及驱鸟装备，可全天候全地域适用于军、民用机场执行鸟群、无人机的探测和远程预警，智能化针对性地实施高效驱鸟，减少人员参与、降低驱鸟成本、提高识别驱离效率，对航空界的飞行安全有重要的理论实际研究意义。
[0004]在计算机视觉技术中，图像匹配是一个重要研究方向。图像匹配是基于图像灰度、特征、内容和结构的对应关系，采用相似性和一致性分析，寻找相同图像目标的方法。图像匹配广泛应用于视觉导航、图像检索、图像重建和医学图像分析等任务。在视觉导航中，图像匹配算法基于实时图像和参考图像获得地理位置信息，帮助修正导航偏差，提高导航精度。在图像检索中，图像匹配算法计算不同图像的匹配相似性，是提高检索精度和速度的关键技术之一。

技术实现思路

[0005]本专利技术的目的在于克服现有的技术的不足，提供一种基于生物特征的机场智能驱鸟系统模糊匹配算法。
[0006]本技术专利技术通过如下技术方案予以实现：
[0007]1、提供一种基于生物特征的机场智能驱鸟系统模糊匹配算法，其特征在于利用鸟类外形、飞行姿态等生物特征，对机场鸟类进行模糊匹配，结合生物特征的鸟类图像模糊匹配算法首先检测鸟类图像的生物特征点，然后提取生物特征点的特征向量，最后根据相似性度量方法计算匹配结果。除了特征点，还可以提取线特征和面特征，重点关注检测准确的
特征点和提取鲁棒的特征向量。算法引入模糊不变量和模糊不变量空间稀疏表达先验，可以减轻模糊图像干扰，提高算法匹配性能、复原性能和鲁棒性。模糊不变量维度更低，可以减少计算量，提高算法速度，在复原得到清晰图像后，可通过对图像灰度、特征、内容和结构等的对应关系，采用相似性和一致性分析，寻找相同图像目标，实现图像匹配。结合深度学习技术不断训练学习实现机场鸟类模糊图像快速匹配识别。
[0008]2、所述鸟类图像生物特征检测技术，其特征在于采用双向2DPCA方法计算鸟类图像的特征图，使用特征图空间稀疏表达先验。特征图空间稀疏表达先验可以帮助图像复原，同时稀疏系数各个分量表示实时图像和对应图像块的匹配相似性。更加准确的匹配相似性系数可以帮助图像复原得到更加清晰的实时图像，更加清晰的实时图像可以帮助图像匹配得到更加准确的匹配相似性系数。实时图像会越来越清晰，匹配相似性会越来越准确，最终得到清晰的鸟类实时图像和匹配位置。
[0009]3、所述结合深度学习的鸟类模糊图像匹配算法，其特征在于使用由粗到精的思想，提出级联的粗匹配网络和精匹配网络，粗匹配网络在清晰参考图像上寻找目标匹配位置所在的局部区域，然后在局部区域内提取和实时图像相同大小的图像块，精匹配网络计算所有图像块和模糊实时图像的相似性，最后选定相似性最高的图像块对应位置作为最终匹配位置。使用深度神经网络学习更加鲁棒的特征和更加准确的相似性度量，所以可以极大地提高匹配准确率，增强算法鲁棒性，且网络预测时间短，所以可以极大地加快算法速度。
[0010]本专利技术与现有技术相比具有如下优点：
[0011](1)本专利技术的鸟类图像生物特征检测技术，其特征在于使用双向2DPCA方法提取图像的特征图，特征图可以保留原图主要信息，去除模糊干扰信息。使用模糊实时图像的特征图基于清晰图像特征图字典的稀疏表达先验，可以减轻模糊干扰，得到更加准确的稀疏系数。原图到特征图是线性映射，保证原图和特征图是线性关系，可以将特征图空间的系数直接应用于计算清晰实时图像，不会引入近似误差。基于上述两点，本算法可以进一步提高匹配准确率，得到更加清晰的图像，增强算法鲁棒性。
[0012](2)本专利技术的结合深度学习的鸟类模糊图像匹配算法，其特征在于给定模糊实时图像和清晰参考图像，首先粗匹配网络在参考图像上寻找目标匹配位置所在的局部区域；然后在局部区域内提取和实时图像相同大小的图像块，精匹配网络计算所有图像块和实时图像的相似性；最后选定相似性最高的图像块对应位置为最终匹配位置。粗匹配网络的输入是固定尺寸的灰度参考图像和尺寸任意的灰度实时图像，输出是匹配得分图。精匹配网络的输入是两幅灰度图像，输出是两幅图像的相似性。精匹配网络的主要作用是确定最终匹配位置，保证算法准确率。
附图说明
[0013]下面结合附图和实施例对本技术专利技术进一步说明。
[0014]图1是模糊匹配算法流程图；
[0015]图2是模糊图像复原匹配算法原理图；
[0016]图3是特征提取网络图；
[0017]图4是深度学习模糊匹配算法流程图。
具体实施方式
[0018]下面采用附图和实施例对本技术专利技术做进一步说明，此处所说明的附图用来提供对本技术专利技术的进一步理解，构成本申请的一部分，并不构成对本技术专利技术的限定。
[0019]本算法求解步骤包括准备阶段、初始化阶段和迭代求解阶段。在准备阶段，给定模糊实时图像y和清晰参考图像I，首先使用滑动窗以特定步长在参考图像上提取和实时图像y相同尺寸的图像块，将所有图像块组成图像字典D，然后提取所有图像块的模糊不变量组成模糊不变字典D
pzm
。在初始化阶段，首先提取模糊实时图像y的模糊不变量y
pzm
，然后计算y
pzm
基于模糊不变量典D
pzm
的稀疏表达得到初始化的稀疏系数最后计算初始化清晰实时图像：
[0020]在迭代求解阶段，本算法采用交替最小化方法循环计算模糊核k、计算清晰实时图像x和计算模糊不变量空间的稀疏系数α
pzm
。在计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.提供一种基于生物特征的机场智能驱鸟系统模糊匹配算法，其特征在于利用鸟类外形、飞行姿态等生物特征，对机场鸟类进行模糊匹配，结合生物特征的鸟类图像模糊匹配算法首先检测鸟类图像的生物特征点，然后提取生物特征点的特征向量，最后根据相似性度量方法计算匹配结果，除了特征点，还可以提取线特征和面特征，重点关注检测准确的特征点和提取鲁棒的特征向量，算法引入模糊不变量和模糊不变量空间稀疏表达先验，可以减轻模糊图像干扰，提高算法匹配性能、复原性能和鲁棒性，模糊不变量维度更低，可以减少计算量，提高算法速度，在复原得到清晰图像后，可通过对图像灰度、特征、内容和结构等的对应关系，采用相似性和一致性分析，寻找相同图像目标，实现图像匹配，结合深度学习技术不断训练学习实现机场鸟类模糊图像快速匹配识别。2.根据权利要求1，所述鸟类图像生物特征检测技术，其特征在于采用双向2DPCA方法计算鸟类图像的特征图，使用特征图空间稀疏表...

【专利技术属性】
技术研发人员：孙磊，滕杨，沈维，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：