一种光照变化下无人机运动目标检测方法

1.本发明涉及运动目标检测技术领域，具体涉及一种光照变化下无人机运动目标检测方法。


背景技术：

2.计算机视觉研究的一个重要方面就是运动目标的检测，它在智能视频监控、人机交互、虚拟现实、机器人导航、交通检测等许多领域有着广泛的应用。现阶段随着无人机设备的推广使用，需要对无人机设备的使用安全进行监测控制，因而需要对无人机运动目标进行检测。
3.现有的运动目标检测方法中受光照变化条件影响容易出现漏检以及误检情况，光照变化可分为光照的缓慢变化和突然变化。缓慢变化主要指随着时间的推移，光源的强度和位置分别或同时发生变化，这种变化要经过一段时间才能完成或一直持续，突然变化是指光源的强度和位置在很短的时间里发生了变化，尤其在突然变化的情况下，现有的运动目标检测方法存在很大的不足。


技术实现要素：

4.本发明的目的在于提供一种光照变化下无人机运动目标检测方法，旨在改善现有的无人机运动目标检测方法在光照快速变化情况下检测精度不足的技术问题。
5.为实现上述目的，本发明提供了一种光照变化下无人机运动目标检测方法，包括下列步骤：
6.修改算法基本框架；
7.基于方向梯度直方图纹理特征建立背景模型；
8.进行运动目标的粗检测；
9.基于颜色特征的精细检测。
10.其中，修改算法基本框架的过程，具体为改变算法思路，首先针对前景和背景纹理相似问题引入灰度和颜色特征补偿空洞，然后对于光照剧烈变化引起的纹理变化建立背景模型存储历史直方图信息。
11.其中，所述背景模型中每个像素处由1组向量{v0,
…
,v
k-1
}组成，其中向量的个数k由用户自己选择，背景模型中每个向量vc都对应着一个权值wc，权值wc在0～1范围内并且满足：
[0012][0013]
其中，在基于方向梯度直方图纹理特征建立背景模型的过程中，权值wc用来表示向量在历史图像序列中出现的概率，权值wc越大表示向量vc出现的次数越多，即向量代表的图像纹理出现的概率越大。
[0014]
其中，在进行运动目标的粗检测的过程中，在基于纹理特征的背景模型上进行前景检测，当新的一帧到来时，计算整幅图像方向梯度直方图向量，并利用bhattacharyya距离对当前帧的方向梯度直方图向量和背景中各个向量进行比较，当计算得出的任何一个距离都小于阈值t
p
时，该像素被分类为前景，否则被分类为背景，经过以上步骤获得的前景检测结果被表示为tk，其中k表示图像序列的第k帧。
[0015]
其中，在进行运动目标的粗检测的过程中，利用混合高斯模型得到的前景检测结果进行补偿。
[0016]
其中，在基于颜色特征的精细检测的过程中，利用基于hsi颜色空间的方法实现阴影的检测和去除。
[0017]
本发明提供了一种光照变化下无人机运动目标检测方法，先通过引入灰度和颜色特征补偿空洞解决前景和背景纹理相似问题，再基于方向梯度直方图特征对背景进行建模，最后通过运动目标的粗检测和基于颜色特征的精细检测两个过程获得准确稳定的检测结果，通过实验，验证了本发明对光照变化的鲁棒性，特别是在光照快速变化情况下与现有的无人机运动目标检测方法对比具有优势。
附图说明
[0018]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]
图1是本发明的一种光照变化下无人机运动目标检测方法的流程示意图。
具体实施方式
[0020]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0021]
请参阅图1，本发明提供了一种光照变化下无人机运动目标检测方法，包括下列步骤：
[0022]
s1：修改算法基本框架；
[0023]
s2：基于方向梯度直方图纹理特征建立背景模型；
[0024]
s3：进行运动目标的粗检测；
[0025]
s4：基于颜色特征的精细检测。
[0026]
以下结合各具体步骤对本发明作进一步说明：
[0027]
具体的，算法基本框架包括两个主要方面：一，针对前景和背景纹理相似问题，可以引入灰度和颜色特征补偿空洞；二，对于光照剧烈变化引起的纹理变化，可以通过建立背景模型的方法，存储历史直方图信息来适应纹理变化。
[0028]
优选的，基于方向梯度直方图纹理特征的背景模型中，为了解决光照大幅变化引起的纹理变化问题，对方向梯度直方图特征进行建模，使其适应纹理的变化，本技术基于纹理特征的建模利用统计学对背景变化进行描述，背景模型中每个像素处由1组向量{v0,
…
,vk-1
}组成，其中向量的个数k由用户自己选择，实验中经常选k＝5，这组向量是由历史图像序列中该像素位置处出现的方向梯度直方图向量组成，背景模型中每个向量vc都对应着一个权值wc，wc在0～1范围内并且满足：
[0029][0030]
当新的一帧图像到来时，该图像每个像素的方向梯度直方图向量被表示为vn，然后比较该向量vn和背景模型中的每个向量{v0,
…
,v
k-1
}，利用bhattacharyya距离来度量向量之间的相似性，向量之间的bhattacharyya距离被表示为d(vn,vc)，其中，vn是当前帧该像素处的方向梯度直方图向量；vc是背景模型中对应像素模型中的一个向量，为了界定向量的相似程度，对计算的bhattacharyya距离d(vn,vc)取一个阈值th，用来衡量是否可以在背景模型中找到与当前帧向量相似的向量，当计算的每个距离d(vn,vc)＜th时，表示新到向量与背景模型中的向量都不相似，此时用该向量vn取代背景模型中权值最小的一个向量vk，如果计算向量vn与背景模型中某一向量vc的距离d(vn,vc)＞t1时，表示在背景模型中找到与当前帧向量vn匹配的向量，然后利用这个新的向量vn对背景模型中最佳匹配向量进行调整，用来更新背景模型以适应背景的微弱变化，向量的更新过程为：
[0031]
vn＝avvn+(1-av)vc，av∈[0，1]
[0032]
与此同时，背景模型中的各向量对应的权值wc也需要被更新：
[0033]
wc＝awmc+(1-aw)wc，aw∈[0，1]
[0034]
最后，对背景模型中的向量根据其权值w进行从大到小排序，并根据以下原则选择前b个向量作为背景模型向量：
[0035]
w0+
…
+w
b-1
＞tb，tb∈[0，1]
[0036]
经过以上过程的循环更新，基于方向梯度直方图的背景模型就被建立了。
[0037]
具体的，基于方向梯度直方图纹理特征的背景模型中，wc用来表示该向量在历史图像序列中出现的概率，wc越大表示向量vc出现的次数越多，即该向量代表的图像纹理出现的概率越大。
[0038]
具体的，基于方向梯度直方图纹理特征的背景模型中，av表示系统的学习率，由用户自行设定用来调节模型的更新速度，aw表示权值的更新率，由用户设定，表示权值的更新速度；mc等于1或0，当wc是最佳匹配向量对应的权值时，mc等于1，否则对于其他向量，mc等于0，tb是由用户设定，表示允许背景变化的程度，tb越大表示背景的模态就越多，允许背景的变化就越大。
[0039]
进一步的，运动目标的粗检测过程中，在基于纹理特征的背景模型上进行前景检测，当新的一帧到来时，计算整幅图像方向梯度直方图向量，并利用bhattacharyya距离对当前帧的方向梯度直方图向量和背景中各个向量进行比较，当计算得出的任何一个距离都小于阈值tp时，该像素被分类为前景，否则被分类为背景，经过以上步骤获得的前景检测结果被表示为tk，其中k表示图像序列的第k帧，通过实验结果的观察可以发现算法对光照变化显示出了良好的性能，特别是对背景稳定性的保持表现出绝对的优势，但同时还可以发现，检测出的前景存在一些空洞，但是算法可以很好地定位前景和表现前景的轮廓，要解决算法中前景存在的空洞的问题，首先要分析现在的算法为什么会出现空洞，分析结果如下：
前景和背景都是弱纹理，计算的梯度方向直方图差异非常小，检测过程中前景和背景纹理上相似，尽管前景和背景的颜色和灰度可能存在较大差异，但检测结果表现为出现空洞；前景和背景的纹理相同或相似，具有相同或相似的方向梯度直方图向量，尽管前景和背景的颜色和灰度可能存在较大差异，但检测结果表现为出现空洞为了优化现有的检测结果tk，利用混合高斯模型(gmm)算法得到的前景检测结果对现有结果tk进行补偿，由于在光照快速和任意变化的条件下，混合高斯模型检测到的前景会多于现有的基于纹理特征的检测结果，所以可以对tk和gk进行补偿，为了得到更完整的检测结果，首先对tk和gk进行“或”操作得到：
[0040]ck
＝tk(x，y)∪gk(x，y)
[0041]ck
包含了更多的检测错误，同时也包含了更完整的运动目标区域，为了消除这些检测错误，得到更精确的检测结果，再进行以下“与”操作得到粗检测的结果dk：
[0042][0043]
这个“与”操作的过程不是逐像素的而是基于块的操作，首先，将tk中前几个大的连通区域与ck进行“与”操作；然后在tk和ck的重叠区域，当tk的连通区域占对应位置ck连通区域面积的50％以上时，保留ck在tk轮廓内的连通区域，以上过程得到的结果dk即为粗检测的结果，很多检测错误和噪声被去除，但是结果还不够精确，如存在运动目标的阴影，相似纹理造成的空洞，gmm产生的检测错误等，因此需要一个精细化过程来进一步改善前景检测的结果。
[0044]
具体的，运动目标的粗检测过程中，w(tk(x,y))表示去掉噪声和检测错误的操作，实验中这种操作是对tk进行形态学操作，然后去掉一些小的连通区域，con(tk(x,y))表示取轮廓内区域操作。
[0045]
基于颜色特征的精细检测过程中，颜色特征在光照变化条件下能在一定范围内保持稳定，利用这一特点可以设计基于颜色特征的精细化算法以补偿算法出现的空洞颜色特征也可以用来检测阴影，基于hsi颜色空间的算法就很好地实现了阴影的检测，利于去除阴影对前景检测的影响利用颜色特征精细化处理主要解决3个问题：一，前景和背景纹理相似或相同，但颜色不同引起的检测空洞；二，前景和背景都是弱纹理，但颜色不同引起的检测空洞；三，阴影对前景的影响，由于hsi颜色空间中各分量对光照变化呈现一定的稳定性和可预计的变化趋势，可基于hsi颜色空间进行前景检测。首先，检测色度差异较大的区域，通过下式先进行检测得到检测结果cs1k，
[0046][0047]
其次，对于色度差异较小，但亮度和饱和度具有一定差异的区域
[0048]
进行检测通过下式再进行检测得到检测结果cs2k，
[0049]
[0050]
其中，基于颜色特征的精细检测过程中，ikh(x,y)、iki(x,y)、iks(x,y)和bkh(x,y)、bki(x,y)、bks(x,y)分别表示第k帧图像和最大权值背景模型图像坐标(x,y)处的色度、亮度、饱和度坐标，τh为色度差异的阈值，τh＝0.15得到检测结果cs1k，表示颜色差异较大的区域；当阈值τh、α、τ取0.1、0.7、0.3得到检测结果cs2k，表示色度差异较小，但亮度和饱和度具有一定差异的区域。
[0051]
另外，如果场景中存在阴影的严重影响，可以利用基于hsi颜色空间的方法去除阴影，利用cs1k和cs2k对粗检测的结果进行精细化操作首先，对粗检测结果进行数学形态学操作去除噪声；然后计算连通区域，去除连通区域面积较小的块，以淘汰粗检测结果中的错误检测经过这些预处理得到二值图像fk，将fk分别与cs1k和cs2k在fk的轮廓内进行或操作，合并或操作后2个结果得到精细化检测的结果。
[0052]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。