一种机场围界巡检机器人动态背景目标检测方法与流程

本发明属于图像目标检测技术，具体为一种机场围界巡检机器人动态背景目标检测方法。

背景技术：

当前国内机场巡检主要采取的是人防物防相结合的手段，即利用围栏或围墙，并结合工作人员巡检或定点岗哨的形式来实现防入侵监测功能。某些机场安装定点摄像头实时监控，但无法保证自动检测动态入侵目标，只能依靠工作人员肉眼分辨，实时性和准确率都不能保证，而且定点的摄像机监视范围小，视野受阻。目前大多数目标检测主要是在静态背景下，考虑到机场围界巡检机器人的运动特性，其摄像头也与背景发生相对运动，因此无法在动态场景下进行运动目标的检测。

技术实现要素：

本发明的目的在于提供一种机场围界巡检机器人动态背景目标检测方法。

实现本发明目的的技术解决方案为：一种机场围界巡检机器人动态背景目标检测方法，包括以下步骤：

步骤1、根据摄像机的平移量、旋转角度、缩放系数，建立仿射六参数模型；

步骤2、利用sift算法对采集到的视频图像帧进行特征提取与特征匹配，进行全局运动估计，获得图像序列的帧间运动矢量；

步骤3、利用全局运动补偿算法，对齐参考帧与补偿帧的背景，消除背景的运动，使动态背景转化为静态背景；

步骤4、利用帧间差分法进行目标检测，完成动态场景目标检测。

优选地，所述仿射六参数模型用于估算机场巡检机器人摄像头的运动特征，摄像头的运动特征包括摄像机平移，旋转，以及图像缩放三种运动。

优选地，所述仿射六参数模型具体为：

其中，r为缩放参数，θ为旋转角度，c,d为拍摄图像沿x轴和y轴方向的偏移量，a,b描述的是摄像机的缩放和旋转运动。

优选地，利用sift算法对采集到的视频图像帧进行特征提取与特征匹配，进行全局运动估计，获得图像序列的帧间运动矢量的具体方法如下：

步骤2.1、通过对原始图像进行尺度变换，获得图像在不同尺度下的图像序列，构成尺度空间；

步骤2.2、将视频图像像素点和同层金字塔的8个像素点、金字塔分层图像中上下层中相邻的各9个像素点进行比较，如果叉点的灰度值是其他像素点中的极值点，则把视频图像像素点当作侯选特征点提取出来，否则按此规则继续比较其他的视频图像像素点；

步骤2.3、过滤小于设定阈值r1的特征点和边缘处的特征点；

步骤2.4、统计每个特征点的方向参数，所述方向参数为特征点邻域像素点的共同梯度方向和大小；

步骤2.5、为每个特征点建立一个描述符；

步骤2.6、采用最近邻法进行特征匹配。

优选地，生成尺度空间的具体方法为：

构建一共有o组，每组有s层的图像高斯差分金字塔，具体为：

构建尺度空间坐标(σ)，组坐标(o)，层坐标(s)，对上一组图像利用高斯函数模糊并且降采样得到下一组的图像，高斯函数模糊计算过程为：

σ(o,s)＝σ02^o+s/s,o∈[0,o-1],o∈n,s∈[0,s+2]

其中o为组索引序号，o为金字塔组数，s为层索引序号，s为高斯差分金字塔每组层数，σ0为高斯模糊初始值。

构建每层图像像素的空间坐标x，原始图像像素的空间坐标x0，则降采样过程具体为：

x＝2^ox0,o∈z,x0∈[0,…,m0-1]×[0,…,n0-1]

式中，图像原始尺寸为m0×n0，金字塔中每组图像尺寸为mo×no

优选地，每个邻域像素点l(x,y)的梯度值m(x,y)和方向θ(x,y)计算方式如下：

θ(x,y)＝tan^-1((l(x,y+1)-l(x,y-1))/(l(x+1,y)-l(x-1,y)))。

优选地，步骤3利用全局运动补偿算法，对齐参考帧与补偿帧的背景，使动态背景转化为静态背景的具体方法如下：

步骤3.1、将仿射六参数模型表达成矩阵形式：

即p′＝ap；

步骤3.2、根据最小二乘法求得矩阵a为：

a＝(p′)^tp′p(p′)^t

步骤3.3、将相机运动实际参数代入矩阵形式的仿射六参数模型进行运动补偿，使得当前帧和参考帧背景对齐。

本发明与现有技术相比，其显著优点为：

(1)本发明能够利用机场围界巡检机器人，减轻了机场工作人员人工巡检的压力，可以在后台及时了解当前机场围界的情况；

(2)本发明将目标检测的方法从静态背景运用到动态场景中来，避免因为摄像机平台与背景发生相对运动时，无法检测运动目标的情况；

(3)本发明利用帧差法，结合仿射模型变换的全局运动参数模型，补偿了动态背景图像，减少了背景像素点对目标像素点的干扰问题，提高了检测的准确性。

附图说明

图1为本发明的流程图。

图2为本发明中的六参数仿射模型示意图。

图3为本发明中的sift算法流程图。

图4为是极值点选取的示意图。

具体实施方式

如图1、2所示，一种机场围界巡检机器人动态背景目标检测方法，包括如下步骤：

步骤1、根据摄像机的平移量、旋转角度、缩放系数，建立仿射六参数模型，即全局运动参数模型，所述仿射六参数模型用于估算机场巡检机器人摄像头的运动特征，摄像头的运动特征包括摄像机平移，旋转，以及图像缩放三种运动；

根据图像中的像素点(x,y)是摄像机把三维空间中的点(x,y,z)投影到成像平面所形成的原理，参考机场巡检机器人摄像头的运动情况，包括平移运动、旋转运动、缩放运动，将仿射六参数模型作为全局运动参数模型，所述仿射六参数模型具体为：

其中，r为缩放参数，θ为旋转角度，c,d为拍摄图像沿x轴和y轴方向的偏移量，a,b描述的是摄像机的缩放和旋转运动。

步骤2、利用sift算法对采集到的视频图像帧进行特征提取与特征匹配，进行全局运动估计，从而获得图像序列的帧间运动矢量；如图3所示，具体如下：

步骤2.1、生成尺度空间：通过对原始图像进行尺度变换，获得图像在不同尺度下的图像序列，构成尺度空间，具体方法为：

构建一共有o组，每组有s层的图像高斯差分金字塔，具体为：

构建尺度空间坐标(σ)，组坐标(o)，层坐标(s)，对上一组图像利用高斯函数模糊并且降采样得到下一组的图像，高斯函数模糊计算过程为：

σ(o，s)＝σ02^o+s/s，o∈[0，o-1]，o∈n，s∈[0，s+2]

其中o为组索引序号，o为金字塔组数，s为层索引序号，s为高斯差分金字塔每组层数，σ0为高斯模糊初始值。

构建每层图像像素的空间坐标x，原始图像像素的空间坐标x0，对上一组图像进行降采样得到下一组的图像，降采样过程具体为：

x＝2^ox0，o∈z,x0∈[0,…,m0-1]×[0,…,n0-1]

式中，图像原始尺寸为m0×n0，金字塔中每组图像尺寸为mo×no；

步骤2.2、检测空间极值点：如图4所示，将图中打叉的视频图像像素点和同层金字塔的8个像素点、金字塔分层图像中上下层中相邻的各9个像素点进行比较，如果叉点的灰度值是其他26个圆点中的极值点(极大值或极小值)，则把视频图像像素点当作侯选特征点提取出来，否则按此规则继续比较其他的视频图像像素点；

步骤2.3、确定特征点的位置：过滤小于设定阈值r1的特征点和边缘处的特征点，确保取得的特征点是稳定的；

步骤2.4、确定特征点的方向：统计每个特征点的方向参数，所述方向参数通过特征点邻域像素点的共同梯度方向和大小确定。对于每个邻域像素点l(x,y)，其梯度值m(x,y)和方向θ(x,y)计算方式如下：

θ(x,y)＝tan^-1((l(x,y+1)-l(x,y-1))/(l(x+1,y)-l(x-1,y)))

步骤2.5、为每个特征点建立一个描述符，对每个特征点使用4×4共16个种子点来描述，那么每个特征点的描述符就是一个4×4×8＝128维的向量；

步骤2.6、采用最近邻法进行特征匹配：通过特征点的最近邻与次近令的比值r2来进行特征点匹配，如果r2小于阈值，则该特征点匹配成功，否则匹配失败：

其中，dnn表示最近邻距离，dsnn表示次近邻距离。

步骤3、利用全局运动补偿算法，对齐参考帧与补偿帧的背景，从而消除背景的运动，使动态背景转化为静态背景，具体如下：

步骤3.1、将仿射六参数模型表达成矩阵形式：

即p′＝ap；

步骤3.2、根据最小二乘法求得矩阵a为：

a＝(p′)^tp′p(p′)^t

步骤3.3、将相机运动实际参数代入矩阵形式的仿射六参数模型进行运动补偿，使得当前帧和参考帧背景对齐。

步骤4、利用帧间差分法进行目标检测：在静态背景的情况下，通过将两帧图像对应像素点的灰度值相减，检测到运动目标在图像中的位置，完成最终动态场景目标检测。

综上所述，本发明能够将目标检测的方法从静态背景运用到动态场景中来，避免因为摄像机平台与背景发生相对运动时，无法检测运动目标的情况；减少了背景像素点对目标像素点的干扰问题，提高了检测的准确性。本发明能够在机场围界巡检机器人摄像机平台运动的情况下，动态监测运动的入侵目标，减轻机场工作人员压力，也使巡检任务更加实时准确。