、分布等属性的有效描述方式，对候选特征点进行判定和过滤。
[0026] 接下来本发明构造不变量对于描述特征点的几何意义进行分析，对于参数估计中 经常采用的角点特征，其理想情况如图2所示，其可由角度a和朝向0来描述。对于一个 候选特征点，可利用图2中环形区域内（内径R1= 3,外径R2= 6)的邻域像素点（共88 个）与当前像素点之间的亮度关系来确认所述候选特征点是否为角点。设（Xi，yi)，i= 1，2，…，N为当前像素点邻域内属于特征点区域的像素，该特征点区域由环形区域中亮度 值<VfT或亮度值>Vtl-T的邻域像素点构成（其中，环形区域中亮度值<V(l+T的邻域像 素点形成一个集合，亮度值>VcrT的邻域像素点形成另一个集合，取其中像素个数少的集 合作为特征点区域，该集合中像素点的个数记为N，Vtl为当前像素点的亮度，T为设定的阈 值），则候选角点特征的理想角度a可由a=231N/S，S= 88来表示。一般情况下，可限 定jt/6<a<531/6,由此可去除一部分杂乱点。进一步分析可知，在假定像素分布是理 想角点的情况下，存在如下关系：
【主权项】
1. 一种基于视觉的无人机对地运动目标检测方法，其特征在于，该方法包括w下步 骤： 步骤1;对输入的无人机视频进行特征提取，对于提取得到的特征进行描述，并基于提 取得到的特征对于相邻两帖图像中的特征点进行匹配，得到多个特征点对； 步骤2;基于所述步骤1得到的匹配特征点对估计得到帖间映射参数； 步骤3 ;利用所述步骤2估计得到的帖间映射模型参数，对相邻两幅图像中的前一帖图 像进行变换，并将相邻两幅图像校正到同一坐标系下； 步骤4 ;对于校正后相邻的每两幅图像，利用图像差分方法得到对应的候选短时运动 图像； 步骤5 ;捜集植被样本，建立植被的颜色模型，利用得到的植被颜色模型去除候选短时 运动图像中可能由树木造成的干扰部分； 步骤6;利用时域差分法，累积P帖图像的短时运动图像，并据此提取得到完整的一级 候选运动目标区域； 步骤7 ;采用基于颜色分布比对的方法去除所述一级候选运动目标区域中的虚假运动 目标区域，得到二级候选运动目标区域； 步骤8;捜集多种样本图像，构建多个模式互斥分类器； 步骤9 ;利用互斥性在线选择候选目标运动区域的特有模式，采用模式互斥分类器去 除可能由建筑物等造成的干扰，并对候选运动目标区域进行分类，W进一步去除结构特性 不符的干扰，得到标识的运动目标检测结果。
2. 根据权利要求1所述的方法，其特征在于，所述步骤2中的帖间映射模型近似为仿射 变换模型。
3. 根据权利要求2所述的方法，其特征在于，所述步骤2具体包括W下步骤： 步骤21，随机选取n对匹配特征点对，其中，n> 3 ; 步骤22,根据选取的匹配特征点对求解仿射变换模型的参数，得到仿射变换模型； 步骤23,利用步骤22得到的仿射变换模型将步骤1得到的匹配特征点对，分为内点和 外点两个子集； 步骤24,利用所有的内点重新估计仿射变换模型，并利用内点率评估模型精度； 步骤25,重复步骤21-24,直到获得符合精度要求的模型为止。
4. 根据权利要求3所述的方法，其特征在于，选取内点个数最多的模型作为仿射变换 模型的最优解。
5. 根据权利要求1所述的方法，其特征在于，所述步骤5中，对于步骤4得到的候选短 时运动图像，根据所述植被颜色模型确定其中的每个像素点属于植被的概率，然后再统计 候选短时运动图像属于植被的平均概率，若该平均概率值大于一预定阔值T1，则认为该图 像是植被区域并去除。
6. 根据权利要求1所述的方法，其特征在于，所述步骤6中，对于已经利用植被颜色模 型过滤后的短时运动图像，通过下式得到累积P帖的短时运动图像，即历史运动信息：
其中，S{；(X，y)为第P帖图像在运动历史图像像素位置（x，y)处的灰度值，Dp(x，y)为 图像序列中第P帖图像（x，y)处的帖间差分值，T为分割阔值，d为衰减因子。
7. 根据权利要求6所述的方法，其特征在于，所述步骤6中，S民知y)'值大于0的像素 点位置组成的区域即为一级候选运动目标区域。
8. 根据权利要求1所述的方法，其特征在于，所述步骤7具体为；首先对于一级候选运 动目标区域，统计其颜色直方图，并经归一化得到对应的颜色分布q(u);然后在一级候选 运动目标区域周围取长宽大小为一级候选运动目标区域外界矩形框的g倍，其中g>2,且 W-级候选运动目标区域的中屯、为中屯、的矩形环境区域，并统计其颜色直方图，经归一化 得到颜色分布P(U)，则所述一级候选运动目标区域中的每一个像素点为虚假运动目标区域 的置信度可由q(U)/p(U)来描述；最后去除q(U)/p(U)的值小于1的虚假运动目标区域，得 到二级候选运动目标区域。
9. 根据权利要求1所述的方法，其特征在于，所述步骤8包括W下步骤： 步骤81，对于样本图像进行旋转、缩放变换，并在变换后的图像中提取能够反映目标局 部结构特征的模式； 步骤82,利用新获得的样本图像模式信息，统计目标学习模型参数，进而得到运动目标 各自的识别模型； 步骤83,基于运动目标的识别模型，采用模式互斥的思想，建立模式互斥分类器。
10. 根据权利要求1所述的方法，其特征在于，所述步骤9包括W下步骤： 步骤91，对待分类的候选运动目标区域，采用同样的结构模式表示方法，提取每个像素 位置的模式，进而得到候选目标区域和场景区域的模式分布； 步骤92,基于模式互斥的思想，动态选择目标的特有模式，并采用模式检索的方法得到 该模式在模式互斥分类器中属于哪类目标及其贡献度，最终实现对于候选运动目标区域的 分类。
【专利摘要】本发明公开了一种基于视觉的无人机对地运动目标检测方法，该方法包括：利用特征提取和匹配估计出帧问运动参数；利用颜色分布比对的方式去除运动检测中存在的“鬼影”；通过建立植被模型去除树木的干扰；建立模式互斥分类器，通过“建筑物/运动目标”、“车辆/行人”等运动目标分类，进一步去除建筑物等视差干扰，实现无人机实时对地运动目标检测。本发明不涉及大规模的数值计算，可满足小型无人机对地运动目标检测的计算复杂度需求。
【IPC分类】G06K9-62, G06T7-20, G06K9-00
【公开号】CN104794435
【申请号】CN201510157976
【发明人】朱承飞, 常红星, 李书晓, 兰晓松, 宋翼
【申请人】中国科学院自动化研究所
【公开日】2015年7月22日
【申请日】2015年4月3日