一种无人机视频的运动目标检测与跟踪方法技术

本发明专利技术公开了一种无人机视频的运动目标检测与跟踪方法，利用金字塔分层的光流检测算法对获取的初始帧视频图像进行光流检测；并对检测出来的光流矢量进行阈值和矩形聚类筛选，并利用形心公式计算出目标位置，接着利用所述目标位置对运动参数和跟踪模型进行初始化；并根据初始化后的所述跟踪模型，利用树形结构尺度自适应算法进行尺度缩放判断，同时考虑目标跟丢后重检测的过程，结合目标丢失再检测方法对丢失的目标进行重新定位，增加跟踪到目标的成功率。成功率。成功率。

【技术实现步骤摘要】
一种无人机视频的运动目标检测与跟踪方法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种无人机视频的运动目标检测与跟踪方法。

技术介绍

[0002]视觉是人类获取信息并认知世界的重要方式，相比于人眼的局限性，通过机器方式能极大地丰富人类获取的信息量。无人机由于灵活轻便、活动范围广且空间受限小的特点已逐渐成为人类获取信息的重要工具。在无人机的应用领域中，如果想要无人机能够更好地自主作业，那么解决无人机的视觉问题便是首要任务。
[0003]目标的检测与跟踪技术一直是研究热点，相较于针对普通视频目标的检测和跟踪任务，使用无人机获取的视频信息中，视野范围更加广阔，目标尺寸变化更加常见、背景信息干扰更加严重，光照变化更加明显，并且更容易丢失目标。无人机航拍视频中，由于镜头的移动，即使原先在视频中静止不动的背景也会出现运动变化，从而帧差法和背景差法也可能会将其错误的当成背景目标检测出来，并且这些虚警目标也较难区分，导致跟踪到目标的成功率下降。

技术实现思路

[0004]本专利技术的目的在于提供一种无人机视频的运动目标检测与跟踪方法，增加跟踪到目标的成功率。
[0005]为实现上述目的，本专利技术提供了一种无人机视频的运动目标检测与跟踪方法，包括以下步骤：
[0006]利用金字塔分层的光流检测算法对获取的初始帧视频图像进行光流检测；
[0007]对检测出来的光流矢量进行阈值和矩形聚类筛选，并利用形心公式计算出目标位置；
[0008]利用所述目标位置对运动参数和跟踪模型进行初始化；
[0009]利用树形结构尺度自适应算法进行尺度缩放判断；
[0010]结合目标丢失再检测方法对丢失的目标进行重新定位。
[0011]其中，对检测出来的光流矢量进行阈值和矩形聚类筛选，并利用形心公式计算出目标位置，包括：
[0012]利用设定的背景阈值将检测出的背景矢量进行分离，并以分离后的光流矢量为中心，建立对应矩形框，然后计算特征点大于3个的对应的多个所述矩形框的交集区域，得到对应的目标矩形框。
[0013]其中，利用树形结构尺度自适应算法进行尺度缩放判断，并判断目标是否丢失，包括：
[0014]根据初始化后的所述跟踪模型接收到的图像，利用位置滤波器计算出目标的中心位置，然后根据对应的第一响应值与第二响应值的比值，判断接收的对应所述图像是否是
放大。
[0015]其中，结合目标丢失再检测方法对丢失的目标进行重新定位，包括：
[0016]将获取的所述初始帧视频图像对应的系数矩阵存储到数组中，并将获取的下一个所述初始帧视频图像的输出响应值与设定的第一阈值和第二阈值进行比较；
[0017]若所述输出响应值大于或所述第一阈值，则将所述输出响应值对应的位置作为当前帧的目标中心点，并存储对应系数矩阵；
[0018]若所述输出响应值小于所述第一阈值，则判断所述输出响应值与所述第二阈值的比值。
[0019]其中，结合目标丢失再检测方法对丢失的目标进行重新定位，还包括：
[0020]若所述输出响应值小于所述第一阈值，且大于或等于所述第二阈值，则将所述输出响应值对应的位置作为当前帧的目标中心点；
[0021]若所述输出响应值小于所述第二阈值，则对当前帧视频图像进行重新定位。
[0022]其中，所述方法还包括：
[0023]利用所述数组中存储的所有系数矩阵进行计算，并比较计算出的多个输出响应值的比值，得到所述目标中心点。
[0024]本专利技术的一种无人机视频的运动目标检测与跟踪方法，利用金字塔分层的光流检测算法对获取的初始帧视频图像进行光流检测；并对检测出来的光流矢量进行阈值和矩形聚类筛选，并利用形心公式计算出目标位置，接着利用所述目标位置对运动参数和跟踪模型进行初始化；并根据初始化后的所述跟踪模型，利用树形结构尺度自适应算法进行尺度缩放判断，同时考虑目标跟丢后重检测的过程，结合目标丢失再检测方法对丢失的目标进行重新定位，增加跟踪到目标的成功率。
附图说明
[0025]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0026]图1是本专利技术提供的一种无人机视频的运动目标检测与跟踪方法的步骤示意图。
[0027]图2是本专利技术提供的一种无人机视频的运动目标检测与跟踪方法的流程图。
[0028]图3是本专利技术提供的跟踪算法的流程图。
[0029]图4是本专利技术提供的再检测流程图。
具体实施方式
[0030]下面详细描述本专利技术的实施例，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，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0031]在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0032]请参阅图1和图2，本专利技术提供一种无人机视频的运动目标检测与跟踪方法，包括以下步骤：
[0033]S101、利用金字塔分层的光流检测算法对获取的初始帧视频图像进行光流检测。
[0034]具体的，鉴于无人机航拍视频中，由于镜头的运动导致的背景运动问题，光流法能充分提取视频帧间的运动信息，对于运动背景有很好的的鲁棒性。本专利技术提出金字塔分层的LK光流检测方法，主要思想是：对运动目标在帧间运动较大的图片，通过对其进行缩小，然后在对缩小后的图片使用LK光流法提取光流场，这样原先帧间运动的较大像素距离通过缩小图片后其运动距离同样缩小。通过缩放可以有效地解决物体运动速度过快的问题。对于一张初始图片将其当成金字塔的第0层，将其宽高同时缩小倍，后作为金字塔的第L层，为了保证将原始图片缩小倍后新的图片宽高仍为整数，新的宽和高按如下方式更新：
[0035][0036]其中，分别表示第L层图片的宽和高，Floor表示向下取整。
[0037]后续金字塔LK光流计算思想大致如下：首先在金字塔顶层L
m
计算光流大小，后续由高到低，逐层以上一层计算的光流大小为光流的初始值来计算当前层的光流大小，直到得到最底层原始图片的光流值大小。通过图像金字塔的处理很好地解决了LK光流法在时间连续中运动目标帧间运动像素距离较大的问题，避免了较大偏差以及误差的累积影响检测的精度。
[0038]S102、对检测出来的光流矢量进行阈值和矩形聚类筛选，并利用形心公式计算出目标位置。
[0039]具体的，首先，通过光流矢量阈值筛选。由于视频中目标物体是运动的，则目标在其本身所处环境中其速度将区别于背景，因而在增加一个相同的相机运动带来的速度改变，运动目标和背景在视频中呈现的速度也不同。这里计算所有匹配的特征点对之间的光流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机视频的运动目标检测与跟踪方法，其特征在于，包括以下步骤：利用金字塔分层的光流检测算法对获取的初始帧视频图像进行光流检测；对检测出来的光流矢量进行阈值和矩形聚类筛选，并利用形心公式计算出目标位置；利用所述目标位置对运动参数和跟踪模型进行初始化；利用树形结构尺度自适应算法进行尺度缩放判断；结合目标丢失再检测方法对丢失的目标进行重新定位。2.如权利要求1所述的无人机视频的运动目标检测与跟踪方法，其特征在于，对检测出来的光流矢量进行阈值和矩形聚类筛选，并利用形心公式计算出目标位置，包括：利用设定的背景阈值将检测出的背景矢量进行分离，并以分离后的光流矢量为中心，建立对应矩形框，然后计算特征点大于3个的对应的多个所述矩形框的交集区域，得到对应的目标矩形框。3.如权利要求1所述的无人机视频的运动目标检测与跟踪方法，其特征在于，利用树形结构尺度自适应算法进行尺度缩放判断，并判断目标是否丢失，包括：根据初始化后的所述跟踪模型接收到的图像，利用位置滤波器计算出目标的中心位置，然后根据对应的第一响应值与第二响应值的比值，判断接收的对应所述图像是否...

【专利技术属性】
技术研发人员：纪元法，尹盼，孙希延，严素清，付文涛，梁维彬，贾茜子，郭宁，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：