【技术实现步骤摘要】
本专利技术涉及视觉识别，具体为一种基于无人机驾驶的视觉识别方法及其系统。
技术介绍
1、随着目标检测技术的日趋成熟，广泛应用于传统的固定监控设备中，但传统监控设备存在灵活性差，监视范围小的局限性，难以实现对分散、移动多目标的识别，一般仅用于超市、商场等封闭的室内场景。无人机具有易操纵、灵活 性好、机动性强、监视范围广等优势，可以弥补传统监控设备的缺陷。但在无人机识别多个移动目标的任务场景中，除了遮挡、视角变化、光线条 件变化等传统目标检测难点外，还存在目标尺度变化、无人机与目标机动对图像质量造成的不良影响。并且由于无人机的高度灵活性决定了其搭载能力非常有限，计算资源相对匮乏，将检测模型部署在该平台上难以达到实时效果，无人机上的自主化推进受到阻碍。
2、现有技术cn115880589a仅仅通过训练神经网络的方式对无人机采集的目标进行识别评估，忽略了无人机与目标机动对图像质量造成的不良影响，具有很大的局限性。
技术实现思路
1、（一）解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于无人机驾驶的视觉识别系统，具备识别准确等优点，解决了无人机与目标机动对图像质量造成的不良影响的问题。
3、（二）技术方案
4、为解决上述无人机与目标机动对图像质量造成的不良影响的技术问题，本专利技术提供如下技术方案：
5、本实施例公开一种基于无人机驾驶的视觉识别方法，具体包括以下步骤：
6、s1、基于收集的样本图像数据建立
7、s2、设定无人机识别区域，并操作无人机实时采集识别区域内的图像数据；
8、s3、对无人机实时采集的图像数据进行预处理；
9、s4、将预处理后的图像数据输入神经网络，并基于神经网络对实时采集图像数据进行特征提取；
10、s5、将实时采集图像数据中的特征数据和样本集中各分类图像数据中的特征数据进行比对，基于比对结果完成对实时采集图像数据的识别；
11、s6、设定评估指标，基于评估指标对无人机驾驶的视觉识别精度进行调整；
12、优选地，所述基于收集的样本图像数据建立样本集，并基于样本集输入神经网络进行特征提取包括：
13、s11、将样本集中的图像数据按内容进行分类；
14、s12、将分类后的图像数据依次输入神经网络进行特征提取，提取各分类图像数据中的特征数据；
15、s13、将提取各分类图像数据的特征数据进行保存。
16、优选地，所述对无人机实时采集的图像数据进行预处理包括：
17、s31、对实时采集的图像数据进行滤波处理；
18、s32、对滤波后的图像数据进行对比度增强。
19、优选地，所述对实时采集的图像数据进行滤波处理包括：
20、基于图片中心设定p为中心像素，设定中心像素的邻域集合s，q属于中心像素的领域集合s；
21、；
22、；
23、其中，e为自然常数； i p表示为图像i中p=(x1,y1)点的灰度值，(x1,y1)表示像素点的坐标， i q表示为图像i中q=(u1,v1)点的灰度值；σs表示高斯函数中空间距离的标准差，σr表示高斯函数中像素值的标准差；gs表示空间距离权重，gr表示像素值权重； bf p表示滤波后图像中p点的灰度值，wq表示q点像素值的权值总和。
24、优选地，所述对滤波后的图像数据进行对比度增强包括：
25、s321、基于滤波后的图像数据中的亮度建立图像数据的线性映射关系；
26、；
27、其中，lin(x,y)表示图像数据中局部像素块的对比度增强前的像素值，lout(x,y)表示经过对比度增强后图像数据中局部像素块的像素值， q为对比增益参数；
28、设定图像数据中的亮度阈值；
29、设定；
30、其中，lavg表示图像数据中局部像素块的亮度均值；
31、当图像中的亮度低于设定的阈值时，满足0< q<1，当图像中的亮度高于或等于设定的阈值时，满足 q>1；
32、s322、设定滑动窗口并基于窗口内的均值和方差对像素进行对比度增强；
33、设定一个n×n的滑动窗口在图像上滑动，计算窗口内的均值和方差对像素进行对比度增强；
34、；
35、滑动窗口内的均值和方差分别为：
36、；
37、；
38、增强系数η为：
39、；
40、其中，k表示为设定的常数，η为增强系数。
41、优选地，所述将预处理后的图像数据输入神经网络，并基于神经网络对实时采集图像数据进行特征提取包括：
42、s41、将输入图像划分成l个小区域图像数据块；
43、s42、接收到输入图像数据块后卷积层通过卷积核按照设置的步长在输入的图像数据块上移动，并在每一步的相应区域上与该区域的特征值进行乘积累加，以此实现对每个图像数据块的特征提取；
44、卷积计算公式如下所示：
45、；
46、其中，表示输入特征，表示对应卷积核的权值， b表示偏置值， f表示输出特征；
47、s43、在神经网络中，上一层的输出会作为下一层的输入，通过不断堆叠就形成了卷积神经网络；
48、在将数据输入到下层的过程中必须经过激活函数的处理；
49、设定上层输出作为下层的输入其输入值为(λ=1,2,……,l)，每个输出值相对应的输入权值为 ，b为偏移量，将这些输入值输入到该神经网络后得到的输出结果为：
50、；
51、其中，为对应的激活函数，y为输出结果；
52、s44、在不断堆叠的卷积和池化过程中对图像数据块的特征进行卷积；
53、s45、将卷积后的图像数据块的特征传入全连接层；
54、s46、通过全连接层将特征数据进行展开组合，得到一个特征数组，并保存。
55、优选地，所述将实时采集图像数据中的特征数据和样本集中各分类图像数据中的特征数据进行比对，基于比对结果完成对实时采集图像数据的识别包括：
56、s51、基于拍摄的多帧图像进行比对；
57、将拍摄的图像传输至神经网络中进行特征提取，然后识别出物体且保存特征点，并得到每一帧本文档来自技高网...
【技术保护点】
1.一种基于无人机驾驶的视觉识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述基于收集的样本图像数据建立样本集，并基于样本集输入神经网络进行特征提取包括：
3.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述对无人机实时采集的图像数据进行预处理包括：
4.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述对实时采集的图像数据进行滤波处理包括：
5.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述对滤波后的图像数据进行对比度增强包括：
6.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述将预处理后的图像数据输入神经网络，并基于神经网络对实时采集图像数据进行特征提取包括：S41、将输入图像划分成L个小区域图像数据块；
7.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述将实时采集图像数据中的特征数据和样本集中各分类图像数据中的特征数据进行比对，基
8.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述设定评估指标，基于评估指标对无人机驾驶的视觉识别精度进行调整包括：
9.一种实现权利要求1-8任一项所述的基于无人机驾驶的视觉识别方法的基于无人机驾驶的视觉识别系统，其特征在于，包括图像采集模块、图像处理模块、显示模块以及图像识别模块；
...【技术特征摘要】
1.一种基于无人机驾驶的视觉识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述基于收集的样本图像数据建立样本集，并基于样本集输入神经网络进行特征提取包括：
3.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述对无人机实时采集的图像数据进行预处理包括：
4.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述对实时采集的图像数据进行滤波处理包括：
5.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征在于，所述对滤波后的图像数据进行对比度增强包括：
6.根据权利要求1所述的一种基于无人机驾驶的视觉识别方法，其特征...
【专利技术属性】
技术研发人员：崔飞易，刘清秀，李建华，
申请(专利权)人：深圳市金飞杰信息技术服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。