无人机可见光图像中的弱小目标检测方法
【技术领域】
[0001] 本发明属于图像处理领域，更进一步设及弱小目标的检测方法，可用于无人机可 见光图像或视频中。
【背景技术】
[0002] 无人机UAV是一种有动力、可控制、能携带多种任务设备、执行多种任务，并能重 复使用的无人驾驶飞行器。随着无人机性能的不断提高，W及其所具有的体积小、机动灵 活、不易被发现等优点，使得无人机在侦查和巡逻、建筑物勘察、航空地图绘制、危险环境下 的清障等军事和民用特殊领域显示出了巨大的应用潜力，因此一直受到世界各国的普遍重 视。目标跟踪历来是无人机一个很重要的任务。
[0003] 现有无人机主要采用两种方法来实现目标识别：
[0004] 第一种是用图像中的颜色信息来表征原始图像，即建立目标的颜色特征信息库， 通过颜色匹配进行目标识别。然而理想的颜色特征信息实际上是很难建立的，该主要是由 于目标颜色的相似性与多样性、环境光照的不稳定性、目标存在部分遮挡或阴影等原因造 成的。
[0005] 第二种是利用图像的形状信息来帮助人们W及机器完成识别目标的过程。在计算 机中目标的形状可W理解为目标的轮廓或者轮廓所包围的区域，基于不同的理解，许多形 状识别方法已经被提出，如傅里叶描述子，边缘，不变矩，质屯、，矩形度等，但应用在复杂的 实际情况中还是有很大的困难，如缩放，旋转造成的匹配困难。
【发明内容】
[0006] 本发明的目的在于提出一种基于灰度信息和能量信息的无人机可见光图像弱小 目标识别方法，W避免现有技术因形状信息中存在的缩放和旋转而导致目标很难检测的问 题。
[0007] 实现本发明的技术方案是；对输入图像进行增强和分割，对分割后的图像分别进 行两次特征提取及识别，通过剔除虚假目标得到检测结果。其实现步骤包括如下：
[000引 （1)输入一帖含有多个人物目标的无人机图像，从中提取N个图像块作为目标模 板，每个图像块含有1个人物目标，1< =N< = 3 ;
[0009] 似求取目标模板的均值y、标准差0和滴H;
[0010] (3)对输入图像进行增强处理，并对增强后的图像按照颜色信息进行分割，得到多 个超像素块；
[0011] (4)对所有的超像素块，依次进行特征提取及识别，完成目标的初步检测：
[0012] (4a)在每个超像素块内，分别提取超像素块的灰度均值y和领域滴H特征；
[0013] (4b)判断灰度均值y和领域滴H特征是否满足特征约束条巧
若 满足，则该超像素块为初检测目标，反之，则不是，其中y'，〇'，H'表示目标模板的灰度均 值，标准差及领域滴，Ki表示超像素块与目标模板的灰度均值相似度阔值，K2表示超像素块 与目标模板的领域滴相似度阔值；
[0014] (4c)对于初检测目标，按照各目标间的重叠率对目标区域进行合并；若重叠率大 于0. 1，则将重叠区域进行合并，反之，则不。然后采用面积滤波去除部分错误的初检测目 标；
[0015] (5)对完成上述目标初步检测的图像，进行虚假目标剔除，得到最终的检测结果：
[0016] 巧a)从本帖图像开始，连续输入3帖图像；
[0017] 巧b)在3帖图像的空间位置上W目标为中屯、建立一个空间管道，管道的直径为目 标的邻域大小，其大小略大于目标，管道的长度为所需的图像帖数；
[001引 巧C)取第一帖图像作为当前帖，确定该图像中的所有初步检测目标点Pi，并记录 它们的位置信息，i= 1，2,3.;
[0019] 巧d)对所有的初步检测目标点，在下一帖中观察W管道直径大小为5的邻域内是 否有可疑目标点存在；如果有，则目标出现计数器加1，同时比较初步检测目标点和可疑目 标点的位置，判断位置是否发生变化；如果有变化，则其相应的目标位置变化计数器加1 ; 记录该帖中的可疑目标点位置，并将其设为初步检测目标点的当前位置；如果没有变化，贝U 跳过该帖，并转到下下一帖继续捜索，直到管道中的3帖图像全部捜索完毕；
[0020] 巧e)在3帖图像处理完后，判断每个计数器的输出值姻果目标出现次数计数器 的值大于等于2,则判定目标出现次数计数器所对应的初步检测目标点为最终目标，并标记 其位置，否则，将初步检测目标点视为假目标剔除。
[0021] 本发明具有如下优点：
[0022] 第一，本发明结合灰度信息和能量信息来识别图像中的人物目标，可W避免现有 技术因形状信息中存在的缩放和旋转而导致目标很难检测的问题；
[0023] 第二，本发明通过对分割后的图像分别进行两次特征提取及识别，可W剔除与准 确目标差异较大的虚假目标；
[0024] 第S，本发明利用帖间积分法可W更进一步的去除与准确目标较为相似的虚假目 标，W提高目标检测正确率。
【附图说明】
[0025] 图1为本发明的整体流程图；
[0026] 图2为用本发明进行目标识别过程中对应的结果图。
[0027] 图3为本发明通过帖间积分剔除虚假目标的过程示意图。 具体实施方案
[002引下面结合附图，对本发明实现的步骤和效果作进一步的详细描述。
[0029] 参照图1和图2,本发明的实现步骤如下：
[0030] 步骤1，输入无人机图像，提取目标模板。
[0031] 从视频序列中随机选取一帖含有多个人物目标的无人机图像，图像如图2(a)所 示，从中提取N个图像块作为目标模板，每个图像块含有1个人物目标，1< =N< = 3。
[0032] 步骤2,求取目标模板的均值、标准差和滴。
[0033] (2a)求取目标模板的均值y:
[0034]
[0035] 式中P康示图像中灰度值为i的像素点所占目标模板所有像素点的比例，k表示 图像灰度级最大值；
[0036] (2b)求取目标模板的标准差0:
[0037]
[003引式中P康示图像中灰度值为i的像素点所占目标模板所有像素点的比例，k表示 图像灰度级最大值；
[0039] (2c)求取目标模板的滴H:
[0040]
[0041] 式中Pi表示图像中灰度值为i的像素点所占目标模板所有像素点的比例，k表示 图像灰度级最大值。
[0042] 步骤3,对输入图像进行增强处理。
[0043] (3a)用中值滤波处理原图像，去除其中的噪声；
[0044] (3b)用伽马变换拉伸图像灰度，W提高低亮度区域的亮度便于后续处理，经过增 强处理后的图像如图2(b)所示。
[0045] 步骤4,对增强后的图像按照颜色信息进行分割，得到多个超像素块。
[0046] 常用的分割方法有很多，可采用均值偏移算法、分水岭算法、水平集算法、基于图 论的分割方法等，本发明采用基于均值漂移的方法对增强后的图像进行分割，其步骤如 下：
[0047] (4a)从增强后的图像中选择一个像素，记为X，选取W该像素X为中屯、的一个窗 P;
[0048] (4b)计算该像素X的均值漂移向量mh(x):
[0049]
[0化0] 式中，Xi是W像素X为中屯、的窗口中的像素点，g(x) =-▽k(x)，k(x)为单位高 斯核函数，▽表示求导，h是核函数k(x)的带宽；
[0化^ (4c)设定误差阔值e，取e= 0. 1，判断|mh(x)-x| <e是否成么若成么则X 即为收敛点Z，至步骤（4e)，否则更新X=mh(x)，返回步骤（4b)重新迭代；
[0化2] (4d)依次求出增强后的图像中的每个像素点的局部收敛点Zi，i= 1，2,…，n;
[0化3] (4e)将具有相同收敛点的像素点Zi归为同一类，即划为一个分割子区域，得到分 割后的图像。分割后的图像如图2(c)所示。
[0054] 步骤5,对所有的超像素块，依次进行特征提取及识别，完成目标的初步检测。
[0055] 巧a)在每个超像素块内，按照步