一种基于视觉特征的无人机制造技术

本发明专利技术公开了一种基于视觉特征的无人机，包括无人机和安装在无人机上的监控装置，监控装置具体包括预处理模块、检测跟踪模块、识别输出模块，其中预处理模块包含图像转化、图像滤波、图像增强三个子模块，检测跟踪模块包含构建、丢失判别、更新三个子模块。本无人机将视频图像技术运用在无人机上，能有效监控记录恶意破坏行为，具有实时性好、定位准确、自适应能力强、图像细节保留完整和鲁棒性强等优点。

【技术实现步骤摘要】

本专利技术设及无人机领域，具体设及一种基于视觉特征的无人机。
技术介绍
无人驾驶飞机简称"无人机"，是利用无线电遥控设备和自备的程序控制装置操纵 的不载人飞机。机上无驾驶舱，但安装有自动驾驶仪、程序控制装置等设备。地面、舰艇上或 母机遥控站人员通过雷达等设备，对其进行跟踪、定位、遥控、遥测和数字传输。可在无线电 遥控下像普通飞机一样起飞或用助推火箭发射升空，也可由母机带到空中投放飞行。回收 时，可用与普通飞机着陆过程一样的方式自动着陆，也可通过遥控用降落伞或拦网回收。可 反覆使用多次。广泛用于空中侦察、监视、通信、反潜、电子干扰等。 无人机作为一种重要的昂贵设备，其安全性尤为重要，必须能防止和监视恶意破 坏行为。
技术实现思路
针对上述问题，本专利技术提供一种基于视觉特征的无人机。 本专利技术的目的采用W下技术方案来实现： -种基于视觉特征的无人机，包括无人机和安装在无人机上的监测装置，监测装 置用于对无人机附近的活动进行视频图像监测，监测装置包括预处理模块、检测跟踪模块、 识别输出模块； (1)预处理模块，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、图 像滤波子模块和图像增强子模块：[000引图像转化子模块，用于将彩色图像转化为灰度图像： 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m X n; 图像滤波子模块，用于对灰度图像进行滤波： 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：=aiji(x，y)+a2j2(x，y)+a3j3(x，y)+a4j4(x，y)，其中日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； 图像增强子模块： 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，曰是 范围为O到1的可变参数，I __[001引当时，， 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{4"佑诲罰，其中i为索引值，利用MsvimU, y) 的灰度值作为索引，根据(6(x，y)=MMsvlm(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； (2)检测跟踪模块，具体包括构建子模块、丢失判别子模块和更新子模块： 构建子模块，用于视觉字典的构建： 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 、 ^m=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[。父=J能够提取到的 特征总量视觉字典构建好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); 丢失判别子模块，用于判别目标的丢失与否： 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2 = 4,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对应子直方图的相似性?t_z，其中t = l，2，…，N，z = l，2，...，化，然后计算总体相似性巫t=l-^za-巫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； 当目标丢失时，定义仿射变换模型：，其 中（Xt，yt)和(Xt-I，yt-1)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 移系数，为溫度旋转修正系数为溫度平移修正系数，化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； 更新子模块，用于视觉字典的更新： 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特征点输爲=1，经过F = 3帖W后，获得新的特征点集{庙爲主其中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：化=1二，其中{CDf=i表示新的视觉字典，视觉字典的大小保 持不变G {0,1}是遗忘因子，表明了旧字典所占的比重，取越小，新特征对目标丢失的判 断贡献越多，取巧=0.12; (3)识别输出模块，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。 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： 其中，J(x，y)为经过滤波后的图像;Pg(x+i，y+j)代表尺度为mXn的函数，且PgU+ i，y+j)=qXe邱(-(x2+y2)/w)，其中q是将函数归一化的系数，即 JJqXe邱(-(x2+y2)/w) dxdy = l〇 本无人机的有益效果为: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;将MXN个幕指数运算降低为256 个，提高了计算效率;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。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取得了很好的效果。【附图说明】 利用附图对本专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限 审IJ，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可W根据W下附图获得 其它的附图。图I是一种基于视觉特征的无人机的结构框图；图2是一种基于视觉特征的无人机的外部示意图。【具体实施方式】 结合W下实施例对本专利技术作进一步描述。 实施例1:如图1-2所示，一种基于视觉特征的无人本文档来自技高网...

【技术保护点】
一种基于视觉特征的无人机，包括无人机和安装在无人机上的监测装置，监测装置用于对无人机附近的活动进行视频图像监测，其特征是，监测装置包括预处理模块、检测跟踪模块、识别输出模块；(1)预处理模块,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、图像滤波子模块和图像增强子模块：图像转化子模块,用于将彩色图像转化为灰度图像:H(x,y)=max(R(x,y),G(x,y),B(x,y))+min(R(x,y),G(x,y),B(x,y))2+2(max(R(x,y),G(x,y),B(x,y))-min(R(x,y),G(x,y),B(x,y)))]]>其中，R(x,y)、G(x,y)、B(x,y)分别代表像素(x,y)处的红绿蓝强度值，H(x,y)代表坐标(x,y)处的像素灰度值；图像大小为m×n；图像滤波子模块，用于对灰度图像进行滤波：采用维纳滤波来进行一级滤除后，定义svlm图像，记为Msvlm(x，y)，具体定义公式为：Msvlm(x，y)＝a1J1(x，y)+a2J2(x，y)+a3J3(x，y)+a4J4(x，y)，其中a1、a2、a3、a4为可变权值，i＝1，2，3，4；J(x，y)为经滤波后的图像；图像增强子模块：当|128-m|>|ω-50|3]]>时，L(x,y)=255×(H(x,y)255)ψ(x,y),]]>其中，L(x,y)为增强后的灰度值；ψ(x，y)是包含有局部信息的伽马校正系数，此时α是范围为0到1的可变参数，ω为模板尺度大小参量，尺度越大则模板中包含的邻域像素信息就越多，输入图像经过不同尺度ωi的模板，得到的图像Ji将会包含不同范围的邻域信息；当|128-m|≤|ω-50|3]]>且ω＞50时，L(x,y)=255×(H(x,y)255)ψ(x,y)×(1-ω-50ω2),]]>其中ψ(x，y)＝ψα(Msvlm(x，y))，mH是图像中灰度值高于128的所有像素的均值，mL是灰度值低于128的所有像素的均值，且此时m＝min(mH，mL)，在α值已知的情况下，计算出256个ψ校正系数作为查找表，记为其中i为索引值，利用Msvlm(x，y)的灰度值作为索引，根据ψ(x，y)＝ψα(Msvlm(x，y))快速获得图像中每个像素的伽马校正系数为模板修正系数；(2)检测跟踪模块，具体包括构建子模块、丢失判别子模块和更新子模块：构建子模块，用于视觉字典的构建：在初始帧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＝{x1，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帧以后，通过聚类算法将这些特征划分为K个簇，每个簇的中心构成特征单词，记为能够提取到的特征总量其中K＜＜FN，且视觉字典构建好以后，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h(xt)表示，h(xt)通过以下方式获取：将一幅训练图像Xt中的每一个特征fs(t)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)；丢失判别子模块，用于判别目标的丢失与否：当新一帧图像到来时，从K个直方图柱中随机选取Z<K个直方图柱，且Z＝4，形成新的大小为Z的子直方图h(z)(xt)，子直方图的个数最多为个；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Фt_z，其中t＝1，2，...，N，z＝1，2，...，Ns，然后计算总体相似性Фt＝1‑Πz(1‑Фt_z)；候选目标区域与目标的相似性用Ф＝max{Фt，t}表示，则目标丢失判断式为：u=sign(Φ)=1Φ≥gs0Φ<gs,]]>其中gs为人为设定的判失阀值；当u＝1时目标被稳定跟踪，当u＝0时，目标丢失；当目标丢失时，定义仿射变换模型：xtyt=s.cos(μ1×θ)s.sin(μ1×θ)-s.sin(μ1×θ)s.cos(μ1×θ)xt-1yt-1+μ2ef,]]>其中(xt，yt)和(xt‑1，yt‑1)分别为当前帧目标中某个SITF特征点的位置坐标和前一个帧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，θ为旋转系数，e和f代表了平移系数，μ1=1-|T-T0|1000T0T≥T01+...

【技术特征摘要】

【专利技术属性】
技术研发人员：张健敏，
申请(专利权)人：张健敏，
类型：发明
国别省市：浙江;33