)、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mXn;
[0107] 图像滤波子模块12,用于对灰度图像进行滤波：
[0108] 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)，其中曰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；
[0109] 图像增强子模块13:
[0110] 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
是范围为0到1的可变参数：
[0111] ^
,其 中iKx，y)=恥(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，IIiL )，在a值已知的情况 下，计算出256个4校正系数作为查找表，记为巧或，其中i为索引值，利用MsvimU, y)的 灰度值作为索引，根据iKx，y)=私(Msvim(x，y))快速获得图像中每个像素的伽马校正系数4 (x，y); 1 - ^为模板修正系数；
[0112] (2)检测跟踪模块2,具体包括构建子模块21、丢失判别子模块22和更新子模块23:
[0113] 构建子模块21，用于视觉字典的构建：
[0114] 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 t Jm=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{。茲=1;能够提取到的 特征总量j
其中K<<Fn，且K 撰 =1?;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);
[0115] 丢失判别子模块22，用于判别目标的丢失与否：
[0116] 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Z = 7,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W,- = C《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 =1，2,…，N，z = l，2，...，化，然后计算总体相似性Ot=I- n z(l-〇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；
[0117] 当目标丢失时，定义仿射变换模型：
， 其中（xt，yt)和(xt-i，yt-i)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i
为溫度旋转修正系数：
为溫度平移修正系数，山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；
[0118] 更新子模块23，用于视觉字典的更新：
[0119] 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{爲摄=1，经过F = 6帖W后，获得新的特征点集{说爲当，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：
，其中{^巧=1表示新的视觉字典，视觉字典的大小保 持不变；<p e {0，1}是遗忘因子，表明了旧字典所占的比重越小，新特征对目标丢失的判 断贡献越多，取巧=0-18;:
[0120] (3)识别输出模块3,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。
[0121] 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：
[0122]
[0123] 其中，J(x，y)为经过滤波后的图像;Pg(x+i，y+k)代表尺度为mXn的函数，且PgU+ i，y+k)=qXe邱(-(x2+y2)/?)，其中q是将函数归一化的系数，即 JJqXexp(-(x2+y2)/?) dxdy = l〇
[0124] 此实施例的无人机，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；充分利用了图像的局部特征和全局特 征，具有自适应性，可W抑制过度增强，对复杂光照环境下获取的图像增强效果明显;将MX N个幕指数运算降低为256个，提高了计算效率，Z = 7，F = 6, d) =0.18,计算平均帖率为 18FPS，计算量小于同类型的字典算法;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，直至125帖后仍能稳定跟踪目标。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 方面有很好的效果，取得了意想不到的效果。
[0125] 实施例5: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5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。
[0126] (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:
[0127] 图像转化子模块11，用于将彩色图像转化为灰度图像：
[012 引
[0129] 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mXn;
[0130] 图像滤波子模块12,用于对灰度图像进行滤波：
[0131] 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)，其中曰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；
[0132] 图像增强子模块13:
[0133] 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，
[0134] 当 I
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，记为梓巧藝自，其中i为索引值，利用MsvimU, y) 的灰度值作为索引，根据iKx，y)=MMsvim(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；
[0135] (2)检测跟踪模块2,具体包括构建子模块21、丢失判别子模块22和更新子模块23:
[0136] 构建子模块21，用于视觉字典的构建：
[0137] 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{说)}:_1，肿S康示训练集中第t幅g标醒中SIFT特征的个数;跟踪娜姐后，通过聚 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{旬祐=1;能够提取到的 特征总量馬=，其中K<<Fn，且K &?^哀tiSf;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);
[0138] 丢失判别子模块22,用于判别目标的丢失与否：
[0139] 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Z = 8,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