运动目标的检测识别方法及检测识别系统与流程

本发明涉及目标检测及识别领域，具体涉及一种运动目标的检测识别方法及检测识别系统。

背景技术：

随着信息业和航空业的迅速发展，无人机得到了越来越广泛的应用。特别是在军事领域，无人机凭借其卓越的性能，发挥了巨大的作用。近年来，随着无人机制造成本不断下降，性能不断提升，其数量呈不断上升的趋势，消费级无人机迅速进入大众视野，走入人们的生活。目前小型无人机己广泛应用于医疗救援、低空物流、侦查和巡逻、安防监控、森林防火、地质勘探、影视航拍、空中测绘、危险清障等军事和民用的多个行业。

技术实现要素：

本公开一实施例提供一种运动目标的检测识别方法，所述检测识别方法包括以下步骤：s10：采集预设区域的视频序列数据；s20：根据所述视频序列数据获得第一目标区域；以及s30:识别所述第一目标区域中的运动目标。

在一些实施例中，所述步骤s20包括以下步骤：s21：对所述视频序列数据中的相邻帧图像进行差分运算获得差分图像；s22：由所述差分图像定义更新函数；s23：由更新函数进行历史图计算以获得所述第一目标区域。

在一些实施例中，所述步骤s30包括以下步骤：s31：将当前帧图像输入至一深度网络得到映射图；s32：对所述映射图进行边界框预测；s33：对获得的边界框使用逻辑回归进行多标签预测分类，得到第二目标区域；s34：采用第二目标区域对所述第一目标区域进行比较修正，识别所述运动目标。

在一些实施例中，步骤s21采用式(1)获得所述差分图像，

d(x,y,n)＝|f(x,y,n)-f(x,y,(n-1))|(式1)

其中，f(x,y,n)和f(x,y,(n-1))分别是视频序列的第n时刻和第n-1时刻图像的像素值，d(x,y,n)为输出差分图像各像素的绝对差值，n为正整数，且n≥1，x，y分别为像素x方向和y方向上的坐标。

在一些实施例中，步骤s22采用式(2)获得所述更新函数ψ(x,y,n)，

其中d(x,y,n)为式(1)所述差分图像各像素的像素值，ξ为差异阈值。

在一些实施例中，步骤s23中的历史图计算采用式(3)执行，

其中，h(x,y,n)为强度值，τ为持续时间，从帧数的角度决定了运动的时间范围，δ为衰退参数。

在一些实施例中，步骤s23还包括对式(3)获得的结果利用式(4)进行去噪，获得所述目标区域，

其中，w为目标区域，b为3*3的模板元素，表示开操作。

在一些实施例中，步骤s32中采用式(5)来执行边界框预测，

bx＝σ(tx)+cx

by＝σ(ty)+cy

(cx,cy)是映射图中的映射图单元相对映射图左上角的偏移，pw和ph分别是预测前边界的宽和高，(tx、ty、tw、th)为网络预测的归一化的边界框坐标位置，(bx、by)为预测得到边界框的绝对中心坐标，bw和bh分别是预测得到边界框的绝对宽和高。

在一些实施例中，所述检测识别方法在步骤s30之后，还包括：s40：对确认的运动目标进行加框显示。

本公开一实施例提供一种运动目标的检测识别系统，所述检测识别系统包括：图像采集装置，配置为采集预设区域的视频序列数据；目标检测装置，配置为根据所述视频序列数据获得第一目标区域；以及目标识别装置，识别所述第一目标区域中的运动目标。

附图说明

图1为本发明一实施例提供的一种运动目标的检测识别方法的流程图；

图2为图1中步骤s20的具体流程图；

图3为图1中步骤s30的具体流程图；

图4为根据本发明一实施例提供的一种运动目标的检测识别系统的结构示意图。

具体实施方式

本发明一些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本发明的各种实施例可以许多不同形式实现，而不应被解释为限于此数所阐述的实施例；相对地，提供这些实施例使得本发明满足适用的法律要求。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

发明人发现无人机在给人们带来许多便利的同时，也带来了一些安全和隐私方面的问题。使用无人机进行犯罪活动的事情也不再少见，例如不法分子通过无人机携带危险物用于犯罪活动，携带相机截获住户隐私，甚至是携带有毒化学物质和爆炸物进行的犯罪恐怖活动，严重干扰了社会秩序。社会上关于无人机的使用安全和规范的讨论就一直没有停过，其安全问题愈发引起人们的关注。另外，无人机也极大威胁着商业航班、国家要害设施甚至军队机构，这使官方也逐渐产生了新的忧虑。

为了避免无人机对国家和个人产生安全威胁，如何应对和防范无人机可能的危险，高效快速地实时检测非法入侵的无人机已经成为一个急需解决的问题。相关的无人机的防御方法有主要有：通过电子干扰、声波干扰等技术来迫使无人机离开或者降落；采用直接摧毁无人机的硬防御措施，通过物理或是激光手段对无人机进行直接打击。然而，这些方法主要应用于军事领域，成本价较高。此外，无人机由于具有超低空飞行、飞行速度慢、不易被探测的特点，上述方法准确率会极度下降。本发明借助于视频设备，运用图像识别技术实时捕捉无人机图像，对入侵的无人机进行有效的检测，可以克服上述方法的难点，降低无人机检测成本，并且对复杂环境下的小像素目标也可探测，进一步为之后的无人机识别、跟踪奠定基础。这些特点决定了基于图像目标识别的方法是无人机探测系统不可或缺的一部分。

本发明提供一种运动目标的检测识别方法，检测识别方法包括以下步骤：采集预设区域的视频序列数据；根据所述视频序列数据获得目标区域；以及识别所述目标区域中的运动目标。该检测识别方法可以对预设区域内的运动目标进行实施监控，性能稳定，安全性高。

本发明中运动目标例如为无人机，本发明后续实施例以运动目标为无人机来进行解释说明。

图1为本发明一实施例提供的一种运动目标的检测识别方法的流程图，如图1所示，所述检测识别方法包括以下步骤：

s10：采集预设区域的视频序列数据；

s20：根据所述视频序列数据获得第一目标区域；

s30:识别所述第一目标区域中的运动目标。

在步骤s10中，将图像采集装置，例如为摄像机，安装于预设区域，例如为被监控区域，采用图像采集装置采集预设区域的视频序列数据，视频序列数据为连续多帧图像。

在步骤20中，会对所接收的实时视频序列数据进行多目标检测，主要采用了帧间差分法对相邻视频序列求差分获得差分图像，并采用差分图像定义更新函数，然后进行运动历史图计算更新检测，实时获得经过快速处理后的第一目标区域，即疑似目标出现的区域，疑似目标为运动物体，可以是无人机或者其他运动物体，该第一目标区域可以为一个或多个。

图2为图1中步骤s20的具体流程图，如图2所示，步骤s20包括以下步骤：

s21：对所述视频序列数据中的相邻帧图像进行差分运算获得差分图像；

s22：由所述差分图像定义更新函数；

s23：由更新函数进行历史图计算以获得所述第一目标区域。

在步骤s21中，任意选取连续相邻两帧图像，比较前后两帧图像对应的像素，相邻两帧对应的各像素相减，对其进行差分运算，获得差分图像，例如为绝对值差分图像。数学表达式：

d(x,y,n)＝|f(x,y,n)-f(x,y,(n-1))|(式1)

其中，f(x,y,n)和f(x,y,(n-1))分别是视频序列的第n时刻和第n-1时刻图像的像素值，d(x,y,n)为输出差分图像各像素的绝对差值，n为正整数，且n≥1，x，y分别为像素x方向和y方向上的坐标。

判断所得到的差分绝对值，当绝对值超过一定阈值时，则判断为运动物体，从而实现运动物体检测功能。

在步骤s22中，采用式(2)定义更新函数ψ(x,y,n)，

其中d(x,y,n)为由式(1)得到的绝对值差分图像各像素的像素值，ξ为差异阈值。

在步骤s23中，历史图计算采用式(3)执行，

其中，h(x,y,n)为强度值，τ为持续时间，从帧数的角度决定了运动的时间范围，δ为衰退参数。

计算一个时间段内同一位置的图像像素变化，并将一组视频序列数据中该位置像素的该时间段内的运动情况记录下来。

接下来，对式(3)获得的结果利用式(4)进行去噪，例如消除运动物体的不连续区域，获得所述第一目标区域，

其中，w为第一目标区域，b为3*3的模板元素，表示开操作。

在步骤s30中，采用基于yolov3的深度学习算法，通过构建深度网络，对运动物体所在区域进行判别，精准地将无人机和其他目标进行区分。

图3为图1中步骤s30的具体流程图，如图3所示，步骤s30包括以下步骤：

s31：将当前帧图像输入至一深度网络，得到映射图；

s32：根据s31中的映射图进行边界框预测；

s33：对获得的边界框使用独立的逻辑回归进行多标签预测分类，得到第二目标区域；

s34：采用第二目标区域对第一目标区域进行比较修正，识别运动目标。

在步骤s31中，深度网络采用yolov3，其内部有很多表现力良好的3×3和1×1的卷积层，也增加了一些直接连接结构，可以很好地提升模型的表现力。

在步骤s32中，采用式(5)来执行边界框预测，获得的边界框的数量为1个或多个，与运动物体的数量相对应。

bx＝σ(tx)+cx

by＝σ(ty)+cy

(cx,cy)是映射图中的映射图单元相对映射图左上角的偏移，pw和ph分别是预测前边界的宽和高，(tx、ty、tw、th)为网络预测的归一化的边界框坐标位置，(bx、by)为预测得到边界框的绝对中心坐标，bw和bh分别是预测得到边界框的绝对宽和高。

在步骤s33中，多标签预测分类包括使用逻辑回归预测计算边界框的对象分数，若边界框的对象分数超过设置阈值0.5，则将该边界框视为第二目标区域，否则视为背景区域。

在步骤s34中，通过计算由多标签预测分类获得的第二目标区域和式(4)获得第一目标区域的面积比，可以实现对第一目标区域进行修正。若面积比大于0.5，则识别为无人机目标，否则不是。

在本发明的一些实施例中，参见图1，在步骤s30后，所述检测识别方法包括：

s40：对确认的运动目标进行加框显示。

在步骤s40中，当检测到运动物体且经过识别为无人机时，在显示界面中对无人机进行加框显示。

本发明一实施例提供一种运动目标的检测识别系统，图4为根据本发明一实施例提供的一种运动目标的检测识别系统的结构示意图。如图4所示，运动目标的检测识别系统用于检测识别运动目标，例如入侵的无人机。检测识别系统100包括图像采集装置10，目标检测装置20，目标识别装置30以及显示装置40。

图像采集装置10例如为摄像机，安装于预设区域，例如为被监控区域，采集预设区域的视频序列数据。

目标检测装置20，实时接收图像采集装置10采集的视频序列数据，会对所接收的实时视频数据进行多目标检测，当有目标(即运动物体)存在时，将目标所在区域相关信息传送目标识别装置30。目标检测装置20主要采用帧间差分法对相邻视频序列求差分获得差分图像，由所述差分图像定义更新函数，然后进行运动历史图计算更新检测，实时获得经过快速处理后的第一目标区域，即疑似目标出现的区域，疑似目标可以是无人机或者其他运动物体，该第一目标区域可以为一个或多个。

目标识别装置30通过深度学习算法对目标区域进行判别，识别是否为运动目标，例如为无人机，基于yolov3的深度学习算法，通过构建深度网络，对目标所在区域进行判别，精准地将无人机和其他目标进行区分。

显示装置40对图像采集装置10拍摄图像进行实时显示，当在目标识别装置30识别运动物体为无人机时，显示界面中对无人机进行加框显示。

本发明中的检测识别系统100对预定区域进行图像采集，并进行目标检测和识别，可以对入侵无人机进行快速准确地检测和识别，适合应用在各种有反无人机需求、实时检测非法无人机入侵的场所。

应注意，附图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本发明实施例的内容。

实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本发明的保护范围。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。

实施例中涉及的方法步骤并不限于其描述的顺序，各步骤的顺序根据实际需要的来进行调整。

需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。