一种基于视觉特征的无人机的制作方法

文档序号:9929825阅读:472来源:国知局
一种基于视觉特征的无人机的制作方法
【技术领域】
[0001 ]本发明设及无人机领域,具体设及一种基于视觉特征的无人机。
【背景技术】
[0002] 无人驾驶飞机简称"无人机",是利用无线电遥控设备和自备的程序控制装置操纵 的不载人飞机。机上无驾驶舱,但安装有自动驾驶仪、程序控制装置等设备。地面、舰艇上或 母机遥控站人员通过雷达等设备,对其进行跟踪、定位、遥控、遥测和数字传输。可在无线电 遥控下像普通飞机一样起飞或用助推火箭发射升空,也可由母机带到空中投放飞行。回收 时,可用与普通飞机着陆过程一样的方式自动着陆,也可通过遥控用降落伞或拦网回收。可 反覆使用多次。广泛用于空中侦察、监视、通信、反潜、电子干扰等。
[0003] 无人机作为一种重要的昂贵设备,其安全性尤为重要,必须能防止和监视恶意破 坏行为。

【发明内容】

[0004] 针对上述问题,本发明提供一种基于视觉特征的无人机。
[0005] 本发明的目的采用W下技术方案来实现:
[0006] -种基于视觉特征的无人机,包括无人机和安装在无人机上的监测装置,监测装 置用于对无人机附近的活动进行视频图像监测,监测装置包括预处理模块、检测跟踪模块、 识别输出模块;
[0007] (1)预处理模块,用于对接收到的图像进行预处理,具体包括图像转化子模块、图 像滤波子模块和图像增强子模块:
[000引图像转化子模块,用于将彩色图像转化为灰度图像:
[0009]
[0010] 其中,3^,7)、6^,7)、8^,7)分别代表像素^,7)处的红绿蓝强度值,化义,7)代表 坐标(X,y)处的像素灰度值;图像大小为m X n;
[0011] 图像滤波子模块,用于对灰度图像进行滤波:
[0012] 采用维纳滤波来进行一级滤除后,定义SVlm图像,记为MsvimU,y),具体定义公式 为:=aiji(x,y)+a2j2(x,y)+a3j3(x,y)+a4j4(x,y),其中日1、日2、日3、日4为可变权值,
i = l,2,3,4;J(x,y)为经滤波后的图像;
[0013] 图像增强子模块:
[0014] 当
其中,LU, y)为增强 后的灰度值;iKx,y)是包含有局部信息的伽马校正系数,此时
,曰是 范围为O到1的可变参数,
I __
[001引当
时,
, 其中iKx,y)=恥(Msvim(x,y))
,mH是图像中灰度值高于128的所有 像素的均值,HiL是灰度值低于128的所有像素的均值,且此时m=min(mH,mL),在a值已知的情 况下,计算出256个4校正系数作为查找表,记为{4"佑诲罰,其中i为索引值,利用MsvimU, y) 的灰度值作为索引,根据(6(x,y)=MMsvlm(x,y))快速获得图像中每个像素的伽马校正系数 iKx,y); 1 - ^为模板修正系数;
[0016] (2)检测跟踪模块,具体包括构建子模块、丢失判别子模块和更新子模块:
[0017] 构建子模块,用于视觉字典的构建:
[0018] 在初始帖获取跟踪目标的位置和尺度,在其周围选取正负样本训练跟踪器,将跟 踪结果作为训练集X={xi,x2,……xn}T;并对训练集中的每幅目标图像提取128维的SIFT特 征,其中St表示训练集中第t幅目标图像中SIFT特征的个数;跟踪N帖W后,通过聚 、 ^m=I 类算法将运些特征划分为K个簇,每个簇的中屯、构成特征单词,记为[。父=J能够提取到的 特征总量
视觉字典构建好W后,每幅训练图像 表示为特征包的形式,用于表示视觉字典中特征单词出现的频率,用直方图Mxt)表示,h (Xt)通过W下方式获取:将一幅训练图像Xt中的每一个特征fsW向视觉字典投影,用投影距 离最短的特征单词表示该特征,对所有特征投影完毕后,统计每个特征单词的出现频率,并 归一化得到训练图像Xt的特征直方图h(xt);
[0019] 丢失判别子模块,用于判别目标的丢失与否:
[0020] 当新一帖图像到来时,从K个直方图柱中随机选取Z<K个直方图柱,且2 = 4,形成 新的大小为Z的子直方图hW(xt),子直方图的个数最多为Ws =巧个;计算候选目标区域和 训练集中某个目标区域对应子直方图的相似性?t_z,
其中t = l,2,…,N,z = l,2,...,化,然后计算总体相似性巫t=l-^za-巫t_z);候选目标区域与目 标的相似性用O =max{ O t,t}表示,则目标丢失判断式为
.其 中gs为人为设定的判失阀值;当U = I时目标被稳定跟踪,当U = O时,目标丢失;
[0021] 当目标丢失时,定义仿射变换模型:
,其 中(Xt,yt)和(Xt-I,yt-1)分别为当前帖目标中某个SITF特征点的位置坐标和前一个帖目标中 对应匹配特征点的位置坐标,两者均为已知量;S为尺度系数,0为旋转系数,e和f代表了平 移系数,
为溫度旋转修正系数
为溫度平移修正系数,化和化用于修正因为环境溫度偏差造成的图像旋转和平移误差,I'd为 人为设定的标准溫度,设为20度,T为由溫度传感器实时监测得到的溫度值;采用Ransac估 计算法求取仿射变换模型的参数,最后在新的尺度S和旋转系数0下采集正负样本,更新分 类器;
[0022] 更新子模块,用于视觉字典的更新:
[0023] 在每帖图像获得目标位置W后,根据仿射变换参数的计算结果,收集所有满足结 果参数的SIFT特征点输爲=1,经过F = 3帖W后,获得新的特征点集{庙爲主其中St-F代表 了从F帖图像中得到的总特征点数;利用下式对新旧特征点重新进行K聚类:化=1二
,其中{CDf=i表示新的视觉字典,视觉字典的大小保 持不变G {0,1}是遗忘因子,表明了旧字典所占的比重,取越小,新特征对目标丢失的判 断贡献越多,取巧=0.12;
[0024] (3)识别输出模块,用于图像的识别和输出:在待识别的图像序列中利用跟踪算法 获取目标区域,将目标区域映射到已知训练数据形成的子空间,计算子空间中目标区域与 训练数据之间的距离,获得相似性度量,判定目标类别,并输出识别结果。
[0025] 优选的,采用维纳滤波来进行一级滤除后,此时图像信息还包含有残余的噪音,采 用W下的二级滤波器进行二次滤波:
[0026]
[0027] 其中,J(x,y)为经过滤波后的图像;Pg(x+i,y+j)代表尺度为mXn的函数,且PgU+ i,y+j)=qXe邱(-(x2+y2)/w),其中q是将函数归一化的系数,即 JJqXe邱(-(x2+y2)/w) dxdy = l〇
[0028] 本无人机的有益效果为:在图像预处理阶段,增强的图像能够根据模板的大小自 适应调整,提高增强效果,且在在不同模板大小时判断条件能自动修正,且考虑了视觉习惯 W及人眼对不同色彩的感知度同色彩强度的非线性关系;将MXN个幕指数运算降低为256 个,提高了计算效率;在目标检测和跟踪阶段,能够消除不同溫度导致图像的旋转和平移造 成的误差,提高识别率,经处理后的图像细节更加清晰,且计算量相对于传统方法大幅度减 少,能够有效适应目标尺度变化,并能够准确判定目标是否发生丢失,在目标重新回到视场 后能够被重新检测并稳定跟踪。此外,该无人机具有实时性好、定位准确和鲁棒性强的优 点,且在快速有遮挡的目标检测和跟踪方面取得了很好的效果。
【附图说明】
[0029] 利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限 审IJ,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可W根据W下附图获得 其它的附图。
[0030]图I是一种基于视觉特征的无人机的结构框图;
[0031 ]图2是一种基于视觉特征的无人机的外部示意图。
【具体实施方式】
[0032] 结合W下实施例对本发明作进一步描述。
[0033] 实施例1:如图1-2所示,一种基于视觉特征的无人机,包括无人机5和安装在无人 机5上的监测装置4,监测装置4用于对无人机附近的活动进行视频图像监测,监测装置4包 括预处理模块1、检测跟踪模块2、识别输出模块3。
[0034] (1)预处理模块1,用于对接收到的图像进行预处理,具体包括图像转化子模块11、 图像滤波子模块12和图像增强子模块13:
[0035] 图像转化子模块11,用于将彩色图像转化为灰度图像:
[0036]
[0037] 其中,3^,7)、6^,7)、8^,7)分别代表像素^,7)处的红绿蓝强度值,化义,7)代表 坐标(X,y)处的像素灰度值;图像大小为m X n;
[0038] 图像滤波子模块12,用于对灰度图像进行滤波:
[0039] 采用维纳滤波来进行一级滤除后,定义SVlm图像,记为MsvimU,y),具体定义公式 为:Msvim(x,y) =aiji(x,y)+a2j2(x,y)+a3j3(x,y)+a4j4(x,y),其中日1、日2、日3、日4为可变权值,
i = l,2,3,4;J(x,y)为经滤波后的图像;
[0040] 图像增强子模块13:
[0041] 当
,其中,LU, y)为增强 后的灰度值;iKx,y)是包含有局部信息的伽马校正系数,此时
a 是范围为0到1的可变参数:
[0042] 当
, 其中iKx,y) =iK(Msvim(x,y)),
皿是图像中灰度值高于128的所有 像素的均值,HiL是灰度值低于128的所有像素的均值,且此时m=min(mH,mL),在a值已知的情
当前第1页1 2 3 4 5 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1