基于机器视觉的无人机自动检测方法及无人机管制方法与流程

本发明属于图像处理及模式识别技术领域，更具体地，涉及一种基于机器视觉的无人机自动检测方法及无人机管制方法。

背景技术：

无人机技术越来越成熟，暂时没有完善的法律法规约束，导致“黑飞”盛行。无人机可灵活地到达人类无法到达的区域，获取机密信息，危害公众安全。

现有的基于雷达的无人机防空探测系统，抗干扰性较差；并且对于广袤天域而言，无人机体积小、与天空背景的对比度低、且背景复杂多变，基于雷达的无人机探测系统在检测过程易产生大量的虚警，检测准确度较低；并且雷达造价昂贵，检测成本极高。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于机器视觉的无人机自动检测方法及无人机管制方法，旨在提高无人机检测的准确度。

为实现本发明目的，提供了一种基于机器视觉的无人机自动检测方法，包括如下步骤：

(1)设定待监控区域的范围，根据待监控区域的范围与图像采集装置的视场大小，确定监控点；

(2)采用图像采集装置巡视待监控区域，采集监控点的光照强度图，根据采集到的光照强度图判断监控点是否存在强光，若是，进入步骤(3)；若否，则进入步骤(4)；

(3)根据强光源位置与监控点的位置对监控点在水平方向和竖直方向上进行位置调节，以使调节后的监控点避开强光；

(4)根据在当前监控点采集到的图像序列建立监控点的混合高斯模型，将该混合高斯模型作为监控点的背景模型；

(5)巡视待监控区域，采集监控点在当前时刻的光照强度图，根据该光照强度图判断监控点在当前时刻是否存在强光，若是，则进入步骤(3)；

若否，则在当前监控点采集当前时刻的图像，根据该图像与监控点的背景模型，获取该图像对应的前景图像，并更新监控点的背景模型；

(6)获取上述前景图像的连通域集合，获取连通域集合中每个连通域的外接矩形；根据这些外接矩形的位置，获得目标无人机所在的位置。

优选地，上述的无人机自动检测方法，采用光学图像视频采集设备作为图像采集装置；

利用光学图像视频采集设备自动巡天，采集待检测区域的图像数据，通过采集到的图像识别目标运动特性和单幅图像中的目标与背景的差异，辨识弱、小目标，实现对目标无人机等低空飞行器的自动检测；

由于光学传感器获取的信息量丰富，可获取多尺度下的图像数据，借助于丰富的图像数据可融合多种信息特征，可提高无人机检测识别的准确度；与雷达检测设备比较而言，一方面，光学图像视频采集设备等光学传感器造价低廉，可以极大程度降低检测成本；另一方面，光学传感器对于复杂的环境具有较好的鲁棒性，外部干扰信号对其影响较小，可提高检测准确度。

优选地，上述的无人机自动检测方法，其步骤(3)中，调节监控点的位置的方法，包括以下子步骤：

(3.1)统计获取强光源的位置，根据强光源的位置获取待修正的监控点坐标；

(3.2)对于每一个监控点，根据下式对监控点的水平方向坐标进行修 正，

其中，P_new是指修正后的转台横坐标，P_old是指修正前的转台横坐标，W是指图像宽度，Angle_w是指W宽度对应的转台横坐标范围，X_mean是指强光源横坐标的均值；X_max是指强光源在水平方向上坐标的最大值；X_min是指强光源在水平方向上坐标的最小值；

并根据下式对监控点的竖直方向坐标进行修正，

其中，T_new是指修正后的转台纵坐标，T_old是指修正前的转台纵坐标，H是指图像高度，Angle_h是指H高度对应的转台纵坐标范围，Y_mean是指强光源纵坐标的均值；Y_max是指强光源在竖直方向上坐标的最大值；Y_min是指强光源在竖直方向上坐标的最小值。

优选地，上述的无人机自动检测方法，其步骤(4)中，建立监控点的混合高斯模型的方法，具体包括如下子步骤：

(4.1)在同一监控点连续采集N帧视频序列并对每一帧视频序列进行直方图归一化处理，将直方图归一化处理后的图像作为输入视频序列训练混合高斯模型；

(4.2)获取同一监控点每个像素的单高斯分布模型

其中，x＝[x_r,x_g,x_b]是输入图像的RGB三个通道的能量值，μ是输入数据的均值，σ是输入数据的方差，T是指转秩；N(x；μ,σ)是指单高斯分布模型的概率密度函数；

(4.3)对相同位置的像素点，通过K_max个单高斯分布叠加建立监控点的混合高斯模型

其中，π_k是第k个单高斯模型的权重，Pr(x)是指混合高斯模型的概率分布，K_max取3～5。

优选地，上述的无人机自动检测方法，其步骤(5)中，更新监控点的背景模型的方法，包括以下子步骤：

(a)将在监控点采集到的图像序列的每个像素点与背景模型进行匹配；若匹配成功，则对匹配成功的第k个高斯分布进行的均值和方差进行更新，进入步骤(b)；

若匹配不成功，则增加一个单高斯分布；当高斯分布的个数超过预设的最大值K_max时，则将当前混合高斯模型中权值最小的高斯分布去除，进入步骤(b)；

(b)更新各高斯分布的权重π_k，并将高斯分布的权重按照进行归一化处理；

将归一化处理后的各高斯分布的权重按照π_k/σ的大小进行排序，按照 取前B个高斯分布来描述背景，获得更新的背景模型；其中，T是指描述背景的最小权重比例。

进一步优选地，上述的无人机自动检测方法，其步骤(a)中，根据下式更新高斯分布的均值μ_k,t与方差σ_k,t；

μ_k,t＝(1-ρ_k,t)μ_k,t-1+ρ_k，tx_t；

其中，μ_k，t为t时刻第k个高斯模型的均值、σ_k，t为t时刻第k个高斯模型的方差，ρ_k,t为参数学习速率，x_t是t时刻输入图像序列的像素值。

进一步优选地，上述的无人机自动检测与管制方法，其步骤(b)中，根据下式更新各个高斯分布的权重π_k，t；

π_k，t＝(1-α)π_k，t-1+αM_k，t；

其中，x_t是t时刻输入图像的像素值，如果第k个高斯分布与x_t匹配，则M_k,t取1，否则取0；α为更新速率。

优选地，上述的无人机自动检测方法，其步骤(5)中，根据采集到的一帧图像与监控点的背景模型获取前景图像的方法，具体包括如下子步骤：

(5.1)对采集到的当前监控点的一帧图像做直方图归一化处理，获得输入图像；

(5.2)根据当前监控点的背景模型与输入图像，采用背景减除的方法计算得到前景图像；

(5.3)对上述前景图像做腐蚀运算、做膨胀运算，去除细小噪声点，平滑轮廓，获取处理后的前景图像。

进一步优选地，上述无人机自动检测方法，其步骤(5.2)具体为：根据输入图像序列X_t与背景模型按照以下公式进行匹配判断，

其中，X_t为t时刻输入图像的像素值，μ_k,t、σ_k,t分别为t时刻第k个高斯模型的均值、方差，D为判断阈值。

优选地，上述的无人机自动检测方法，在其步骤(5)之后，还包括如下步骤：

(6)当无人机处于悬停等相对静止状态时，对当前采集到的图像进行显著性检测，获得当前采集到的图像的显著性图像；

(7)根据上述的显著性图像，检测当前帧内无人机消失的范围内的显著性目标，该显著性目标即为处于相对静止状态的无人机。

优选地，上述的无人机自动检测方法，采用频域残差法对图像进行显著性检测，

获得输入图像I(i，j)的显著性图像S(i,j)＝g(i,j)*ifft[e^(R(f)+P(f))]²；

其中，R(f)＝L(f)-h_n(f)*L(f)；

P(f)＝I(fft[I(i，j)])；

L(f)＝log(A(f))；

A(f)＝R(fft[I(i，j)])；

其中，R表示复数的模，I表示复数的相位；*是指卷积，fft是指傅里叶变换，ifft是指逆傅里叶变换；h_n(f)为均值滤波器，h_n(f)*L(f)表示对L(f)进行均值滤波，g(i,j)表示高斯滤波器，σ为高斯分布的方差。

为实现本发明目的，按照本发明的另一个方面，提供了一种无人机管制方法，具体为：当检测到无人机之后，对无人机的卫星定位信道和遥控信道进行无线电干扰以达到无人机管制的目的。

优选地，上述无人机管制方法，其进行无线电干扰的方法，包括如下子步骤：

(i)当检测到入侵的无人机后，将高斯白噪声信号调制到该无人机的卫星定位信道频段(1575.42+/-10MHz、1227.60+/-10MHz)和通信频段上(840.5-845MHz、1430-1444MHz或2408-2440MHz)，产生大功率全频干扰信号；

(ii)对无人机定向发射上述大功率全频干扰信号进行同频干扰，迫使其失控或返航，从而达到管制无人机的目的。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明提供的基于机器视觉的无人机自动检测方法，利用光学图像视频采集设备等光学传感器自动巡天获取多尺度下的图像数据，充分利用图像数据所融合的信息特征识别出目标运动特性以及目标与背景的差异，从而将具有弱小属性的无人机目标从背景下辨识出来；相比于雷达检测， 具有抗干扰性好、检测准确度高、成本低廉的特点；

(2)本发明提供的基于机器视觉的无人机自动检测方法，具有自适应光照变化并躲避强光直射的功能，采集到的图像没有亮斑，可准确反应目标信息，一方面提高了检测的准确度，另一方面可延长图像采集装置的使用寿命；

(3)本发明提供的基于机器视觉的无人机自动检测方法，由于采用可自动更新的混合高斯模型作为背景模型，具有自适应环境扰动、光照渐变的影响的特点，具有较好的鲁棒性，抗干扰性好；

(4)本发明提供的基于机器视觉的无人机自动检测方法，其优选方案通过对前景图进行平滑、去噪处理以去除虚警，可获取准确的无人机轮廓信息，具有进一步提高检测准确度的有益效果；

(5)本发明提供的基于机器视觉的无人机自动检测方法，其优选方案采用显著性图像进行无人机检测，可检出处于相对静止状态的目标无人机，进一步提高了无人机检测的准确度；

(6)本发明提供的无人机管制方法，通过对无人机的卫星定位信道和遥控信道进行无线电干扰，达到了无人机管制的目的。

附图说明

图1是本发明实施例提供的基于机器视觉的无人机自动检测方法及无人机管制方法的示意图；

图2是本发明实施例中的无人机检测装置的示意图；

图3是本发明实施例提供的基于机器视觉的无人机自动检测方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的 本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，是本发明实施例提供的基于机器视觉的无人机自动检测方法及无人机管制方法的示意图，包括图像采集、云台控制、监控点设置、建立背景模型以及无人机检测与管制的步骤。

对于图像采集，可利用单个摄像头加上转台自动巡航待检测天区，也可以采取多个摄像头共同覆盖待检测天区。在本发明提供的实施例中，采用的无人机检测装置的如图2所示，包括二轴转台、图像传感器和干扰发射器；其中，图像采集装置采用维视图像MV-2000UC实现，其视场角为43.6度，设定监控点之间的横向旋转角度为40度；对于360度的监控范围，共设置9个监控点巡航待检测天区；两监控点之间视场重叠区域为3.6度，可避免待检测目标在监控点边缘时云台移动造成的目标漏检。

本发明实施例提供的这种基于机器视觉的无人机自动检测方法，可自适应光照变化，自动检测太阳等强光所在位置信息，在巡航过程中调整摄像头指向以躲避强光区域；实施例中，将维视图像MV-2000UC的曝光时间设置为3ms；当图像采集设备传感器处于饱和状态(即采集到的图像像素值为255)，则认为该区域为强光，则调整当前监控点的位置使其在巡航过程中躲避强光区域。

本发明实施例提供的这种基于机器视觉的无人机自动检测方法，根据采集到的图像序列和建立的背景模型，使用背景减除的方法得到前景图像，对前景图像做形态学处理，求取前景图像的连通域集合并求出每个连通域的外接矩形，然后使用聚类的方法将属于同一目标的连通域聚为一类，每一类对应着一个目标；由此检测的目标的位置；具体流程如图3所示，包括如下步骤：

(1)设定待监控区域的范围，根据待监控区域的范围与图像采集装置的视场大小，确定若干个监控点；

(2)巡视待监控区域，采集监控点的光照强度图，根据监控点的光照强度图判断监控点是否存在强光，若是，进入步骤(3)；若否，则进入步骤(4)；

(3)根据强光源位置与监控点的位置对当前监控点的位置进行调节；

(4)根据在监控点采集到的图像序列建立监控点的混合高斯模型，将其作为监控点的背景模型；

(5)巡视待监控区域，采集监控点的当前光照强度图，根据监控点的当前光照强度图判断监控点当前是否存在强光，若是，则进入步骤(3)；

若否，则在当前监控点采集一帧图像，根据该图像与监控点的背景模型，获取该图像对应的前景图像，并更新监控点的背景模型；

(6)获取上述前景图像的连通域集合，以及连通域集合中每个连通域的外接矩形；根据这些外接矩形的位置，获得目标无人机所在的位置，得到检测结果。

实施例中，还包括检测相对静止的无人机的步骤：利用单帧图像内无人机和背景之间存在亮度、颜色、几何边缘变化的特点，采用特征检测的方法来检测与识别相对静止的无人机；当检测到的无人机消失，则在以无人机消失的位置为中心，以目标区域边长5倍长度为边长的正方形区域内计算显著性图像，获取显著性图中目标的位置，判定该目标的位置即为无人机的位置；由此避免了无人机目标处于相对静止状态被当为背景而漏检的情况。

在检测到无人机后，使用GPS和2.4GHz干扰仪对非法的无人机进行干扰，迫使其失控或返航，从而达到管制的目的。

本发明提供的上述基于机器视觉的无人机自动检测方法，利用光学图像视频采集设备等光学传感器自动巡天，根据巡视过程采集到的图像，利用机器视觉与图像处理相结合的手段，通过识别序列图像之间的目标运动特性和单幅图像中的目标与背景的差异，辨识弱、小目标，实现对无人机 的自动检测；与现有技术的雷达检测相比较而言，具有检测准确度高、具有抗干扰性好、成本低廉的有点。

在利用光学传感器进行无人机检测的过程中，一方面，由于无人机体积小，在监控视频图像中可能只占有几十个甚至几个像素点的大小，属于极小目标；而且该目标与其所在的背景环境差别不明显，属于极弱目标；

另一方面，由于光照和风向的变化、背景混乱运动的干扰。以及运动目标的影子等因素的存在，无人机所处的自然环境背景复杂，往往形成多峰情况；并且，随着光照变化，强光会对光学传感器的图像采集造成影响，使采集到的图像上具有亮斑而无法准确识别出目标；

另一方面，当无人机处于相对静止状态时，背景模型可能将无人机视为背景，造成目标的无法检出；

因此，在复杂多变的背景条件下检测出极小、极弱的目标无人机，并判断检测结果是无人机还是干扰因素具有很高的难度。

本发明通过采用可自动更新的混合高斯模型以自适应环境扰动、光照渐变的影响，具有较好的鲁棒性；并且，通过实时检测当前光照强度图进行光强判断，当检测到强光时则调节监控点的位置并更新背景模型，具有自适应光照变化并躲避强光直射的功能，一方面提高了无人机自动检测的准确性，另一方面可避免对光学传感器等图像采集装置的损坏，延长设备的使用寿命；

通过对采集图像进行分离，并对分离出来的前景图像进行形态学处理：先对其进行腐蚀运算，然后做膨胀运算，由此去除图像上的细小噪声点，并起到平滑轮廓的作用，可以去除虚警，获得准确的无人机轮廓信息；

对于处于悬停等相对静止状态的无人机检测，则采用当前采集图像的显著性图像来进行检测；通过无人机消失位置的显著性图像获得该位置存在的显著性目标，从而识别到处于相对静止状态的无人机。

综上而言，本发明利用造价相对低廉的光学传感器结合图像处理实现 无人机自动检测；在检测到非法无人机后，对其进行无线电干扰以实现管制；在巡天过程中自动调整图像采集装置的摄像头指向以及监控位置以避免强光直射，可以实时自动学习环境背景，对环境的适应性强、检测准确度高、成本低，具有突出的经济效益和实用价值。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。