别图像中的人物目标，避免了现有方法中仅仅 依赖于形状信息而无法应对缩放和旋转给目标检测带来的困难。
[0064] 3.本发明在视频小目标检测方法中结合若干相邻帧进行疑似目标对比，去除虚假 目标，以提高目标检测正确率。
【附图说明】
[0065] 图1是本发明实施例提供的基于超分辨率重建的无人机视频小目标检测方法流 程图。
[0066] 图2是本发明实施例提供的总体流程框图；主要包括如下三个阶段：训练阶段、超 分辨率重建阶段和检测阶段。
[0067]图3是本发明实施例提供的图像超分辨重建阶段亚像素配准过程中互信息峰值 求取与亚像素位移的关系示意图。
[0068] 图4是本发明实施例提供的超分辨率重建效果对比示意图。
[0069] 图中：(a)为超分辨率重建所用的参考帧；(b)所示为超分辨率重建出的高分辨率 图像，其中的目标较图（a)更加清晰，便于目标检测。
[0070]图5是本发明实施例提供的视频小目标的初步检测效果示意图；
[0071] 图中：（a)所示为含有目标的视频帧；(b)显示在图像中已经检测到了若干目标 块，以黑色线条框标明；(c)显示对于检测到的目标块进行区域合并剔除了大面积的假目 标，黑色线条框的数量较图（b)有所减少。
[0072] 图6是本发明实施例提供的显示的是剔除虚假小目标的效果示意图；图中：(a)所 示为初步检查后的视频帧，黑色线条框标明检测到的目标，其中包含图像边界处的虚警目 标；(b)显示剔除了虚假目标后的视频帧，虚假目标数目明显减少，真实目标比较明显。
[0073]图7是本发明实施例提供的图像超分辨率重建对于视频小目标检测的影响示意 图；
[0074] 图中：(a)所示为没有经过超分辨率重建视频帧的目标检测结果，黑色线条框显 示检测到的目标，但是其中包含图像边界处的多个虚警，而且有真正目标没有被检测到； (b)显示经过超分辨率重建视频帧的目标检测结果，黑色线条框显示检测到的目标，真正目 标全部检测到，而且虚假目标数目明显减少。
【具体实施方式】
[0075] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明 进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于 限定本发明。
[0076]图像超分辨重建技术可以由多帧低分辨率输入图像获得更高分辨率的输出图像， 相比直接使用高清成像设备而言，多帧超分辨重建技术属于软件处理，实现简单，成本低 廉，便于更新，容易移植。基于超分辨率重建的无人机视频小目标检测方法，能够提高目标 检测概率，降低虚警概率。
[0077] 下面结合附图对本发明的应用原理作详细的描述。
[0078] 如图1所示，本发明实施例的基于超分辨率重建的无人机视频小目标检测方法包 括以下步骤：
[0079] S101 :选取一幅输入图像作为参考帧；
[0080] S102 :取随后的3帧图像与参考图像进行亚像素位移估计；
[0081] S103 :将这4帧图像的位移估计结果放入高分辨率图像网格；
[0082] S104 :估计高分辨率图像网格内缺失的像素，得到较高分辨率目标图像；
[0083] S105:选取超分辨率重建后的无人机图像，从中提取两个目标模板，每个图像块含 有1个人物目标；
[0084] S106 :求取目标模板的特征：即均值μ、标准差σ和熵Η;
[0085] S107 :对重建后的图像按照颜色信息进行分割，得到多个目标区域块；
[0086] S108 :对所有的目标区域块，依次进行特征提取及识别，完成目标的初步检测；
[0087] S109:对完成目标初检的图像，进行虚假目标剔除，得到最终的检测结果。
[0088] 下面结合附图对本发明的应用原理作进一步描述。
[0089] 硬件平台：台式机；CPU:Intel(R)Core(TM)i5,主频：3. 00GHZ，内存：8G，操作系 统：64 位Windows7 ;软件平台：Matlab2013b〇
[0090] 参照图2，本发明的实现步骤如下：
[0091] 步骤1 :对单幅输入图像（视频帧）进行行、列2倍超分辨率重建：选取一副输入 图像作为参考帧，并取随后的3帧图像与参考图像进行亚像素（1/2像素）位移估计；然后 将这4帧图像的像素根据位移估计结果放入高分辨率图像网格；估计高分辨率图像网格内 缺失的像素，高分辨率图像重建完成。其具体操作步骤如下：
[0092] (la)将参考帧用线性插值方法分别按行、列进行2倍放大；然后对放大后的参考 图像进行行、列2倍下采样，得到4幅下采样参考图像；每一幅下采样就对应一个1/2像素 位移。
[0093] (lb)随后取第一幅输入图像与这4幅下采样参考图像对比，求互信息。在4个互 信息中，最大值对应的下采样参考图像所代表的1/2像素位移就是这个输入图像相对于参 考帧的1/2像素位移。
[0094] 图3显示的是互信息相对于亚像素位移的关系，其峰值非常明显，且峰值与所求 的亚像素位移相互对应。
[0095] (lc)依次对全部3幅输入图像按照步骤（lb)处理，求出全部三幅输入图像的亚像 位移。
[0096] (Id)以原始参考图像为基础，构建行列2倍的高分辨率图像网格。将三幅输入图 像的像素依据1/2像素位移填充到高分辨率图像网格内。
[0097] (le)如果高分辨率图像网格内还有未填充像素（空缺像素），则利用最邻近插值 模板进行估计，求出未知像素。高分辨率图像重建完毕。
[0098] 图4(a)所示为超分辨率重建所用的参考帧；图4(b)所示为超分辨率重建出的高 分辨率图像，其中的目标较图4 (a)更加清晰，便于目标检测。原始视频是彩色的，图4去除 了彩色，仅显示灰度图。图中大面积暗色背景是草原，浅色的线条是道路，浅色的块状图形 是车辆，少数浅色斑点是作为目标的人物。
[0099] 步骤1属于超分辨率重建阶段。
[0100] 步骤2:选取含有多个人物目标的超分辨率重建后的无人机图像，从中提取两个 图像块作为目标模板，每个图像块含有1个人物目标；
[0101] 步骤3 :求取目标模板的特征：即均值μ、标准差〇和熵Η;
[0102] 步骤2、3属于训练阶段。
[0103] 步骤4 :对重建后的图像按照颜色信息进行分割，得到多个目标区域块，具体操作 如下：
[0104] (4a)从灰度拉伸后的图像中随机选择一个像素，记为X，选取以该像素X为中心的 一个窗口；
[0105] (4b)计算该像素X的均值漂移向量mh(x):
[0106]
[0107] 其中\是以像素X为中心的窗口中的像素点，g(x) =_Vk(x)，k(x)为单位高 斯核函数，▽表示求导，h是核函数k(x)的颜色带宽；η是以像素X为中心的窗口中的像素 点的总数。
[0108] (4c)设定误差阈值ε= 〇. 1，判断|mh(x)_x| <ε是否成立，若成立，则X即为 收敛点ζ，执行步骤（4d);否则，更新X=mh(x)，返回步骤（4b)重新迭代；
[0109] (4d)依次求出超分辨重建后的图像中的每个像素点的局部收敛点Zl，i= 1，2,…，η ;
[0110] (4e)将具有相同收敛点的像素点Zl归为同一类，即划为一个分割区域，得到分割 后的图像。
[0111] 步骤5 :对所有的目标区域块，依次进行特征提取及识别，完成目标的初步检测：
[0112] (5a)在每个目标区域块内，分别提取目标区域块的灰度均值μ和邻域熵Η特征；
[0113] (5b)判断灰度均值μ和邻域熵Η特征是否满足特征约束条件：
[0114]
[0115] 若满足，则该目标区域块为初检测目标；反之，则不是；其中V，σ'，Η'分别 表示目标模板的灰度均值，标准差及邻域熵，I表示目标区域块与目标模板的灰度均值相 似度阈值，1(2表示目标区域块与目标模板的邻域熵相似度阈值；
[0116] (5c)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，则保留。然后去除面积过大的错误目标，保留小面积 的作为初步检测目标；
[0117] 图5去除了原始视频的彩色，仅显示灰度图。图中大面积暗色背景是草原，浅色的 线条是道路，浅色的块状图形是车辆，少数浅色斑点是作为目标的人物。
[0118] 图5(a)所示为含有目标的视频帧；图5(b)显示在图像中已经检测到了若干目标 块，以黑色线条框标明；图5(c)显示对于检测到的目标块进行区域合并剔除了大面积的假 目标，黑色线条框的数量较图5(b)有所减少。
[0119] 步骤6 :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：
[0120] (6a)从本帧图像开始，连续输入3帧图像；
[0121] (6b)在3帧图像的空间位置上以目标为中心建立一个空间管道，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帧数；
[0122] (6c)取第一帧图像作为当前帧，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,…；
[0123]