CN103295213A - 基于对象追踪的图像增稳算法 - Google Patents
基于对象追踪的图像增稳算法 Download PDFInfo
- Publication number
- CN103295213A CN103295213A CN2013102270388A CN201310227038A CN103295213A CN 103295213 A CN103295213 A CN 103295213A CN 2013102270388 A CN2013102270388 A CN 2013102270388A CN 201310227038 A CN201310227038 A CN 201310227038A CN 103295213 A CN103295213 A CN 103295213A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- target
- sigma
- classification device
- aircraft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于对象追踪的图像增稳算法,属于飞行器增稳技术领域。该增稳算法将获取的实时图片进行灰度化、模糊化处理,将选取灰度梯度值变化最大的区域作为检测目标,对检测目标进行维度压缩处理;在每一帧上,抽取检测目标的矩形区域内、外的一系列子图像图片来供分类器学习;为了得到下一帧目标的位置,随机绘制一定量的在当前位置的矩形区域内的样本,并对样本进行分类值计算,得出数值最大者则为下一帧对象的位置;通过记录多个帧目标位置判断出偏移路径,从而为飞行器提供保持相对地面飞行中心的数据。本发明所述的方法采集数据需要的传感器数量少,传感器系统设计简单,且增稳的效果以及可扩展性都有了进一步的提升。
Description
技术领域
本发明涉及飞行器增稳技术,尤其是涉及基于对象追踪的图像增稳算法。
背景技术
目前增稳算法主要依靠设计俯仰,滚转和航向通道的稳定系统,配合内外回路组成硬件系统使得硬件布线过于复杂,降低飞行器稳定性,另一方面大量的传感器器件使得飞行的消耗的电量大增,从而降低了飞行器的飞行时间。如特征结构配置法,特征结构配置/奇异值灵敏度分析/回路传递复现(LTR)综合设计算法,二次型最优算法,鲁棒H设计方法等。
发明内容
本发明的目的在于提供一种可实现飞行器增稳以及飞行器精确定位、以及增加飞行时间的微调技术。
本发明通过以下技术方案实现发明目的:
一种基于对象追踪的图像增稳算法,包括以下步骤:
1)获取飞行器下方一帧实时图像,并将该图像转化为灰度图;对该灰度图进行模糊化处理,并选取灰度梯度值变化最大的矩形区域作为检测目标;并将检测目标中心位置存在轨迹栈中;
2)对检测目标进行维度压缩处理;对检测目标的矩形区域内、外的一系列子图像进行多尺度变换,再通过一个稀疏矩阵对多尺度图像特征进行维度压缩;
3)对经过维度压缩处理后的检测目标的矩形区域内、外的一系列子图像进行特征提取,得到不同子图像的特征向量组;将此特征向量组作为朴素贝叶斯分类器的学习参数对朴素贝叶斯分类器进行训练;
4)获取飞行器下方下一帧实时图像,并对其进行灰度化、模糊化处理;在本帧实时图像位于上一帧跟踪到的目标位置的矩形区域内选择一系列子图像,并对该系列子图像进行维度压缩处理以及特征提取,得到该系列子图像的特征向量组;将此特征向量组作为朴素贝叶斯分类器的参数输入到朴素贝叶斯分类器中;
5)若朴素贝叶斯分类器计算成功,则步骤4)中经朴素贝叶斯分类器计算获得分数最大值的特征向量组为预测步骤4)获取的实时图像的检测目标的位置;若分类器计算值低于测试阀值,则对轨迹栈进行弹栈处理,弹出的参数与当前帧检测目标的位置即组成飞行器调整向量;返回步骤1)进行重复操作。
本发明为实现飞行器增稳以及飞行器精确定位的增稳算法,相对于现有算法,其采集数据需要的传感器数量少,且传感器系统设计简单,且增稳的效果以及可扩展性都有了进一步的提升;同时,由于器件的减少,使采用本增稳算法的飞行器的飞行时间有进一步的提高。
附图说明
以下结合附图对本发明进行详细描述。
图1为本发明增稳算法的流程图。
具体实施方式
如图1所示,本发明基于对象追踪的图像增稳算法,包括以下步骤:
1)通过设置于飞行器底部的摄像头获取飞行器下方一帧实时图像,并将该图像转化为灰度图;对该灰度图进行模糊化处理,并选取灰度梯度值变化最大的区域作为检测目标,该区域的宽与高通过随机设定;并将检测目标中心位置存在轨迹栈Strace中:Strace→Strace∪posi,其中posi为第i帧检测目标的位置。
2)对检测目标进行维度压缩处理;对检测目标的矩形区域内、外的一系列子图像进行多尺度变换,再通过一个稀疏矩阵对多尺度图像特征进行维度压缩。
子图像多尺度变换的过程为:对于每张子图片,Z∈R w×h 为宽为w高为h的图片;设置不同大小矩形模板{h1,1,…,h w,h };其中i为矩形模板的宽,j为矩形模板的高,x,y为矩形模板内某像素点的坐标;那么通过矩形模板将子图片过滤成不同大小的子图片尺寸;经过矩形模板裁剪后子图片集为:X=(x1,…,xm)T∈Rm其中xi为矩形模板,m=(wh)2。
对多尺度图像特征进行维度压缩的过程为:设置一个离散随机矩阵R及s=m/4;然后计算 其中 为高维度的图像空间,vi∈Rn且m>>n;通过上式计算,即可将高维度的图像降低到较低的维度。
3)对经过维度压缩处理后的检测目标的矩形区域内、外的一系列子图像进行Haar-like特征提取,得到不同子图像的特征向量组;将此特征向量组作为朴素贝叶斯分类器的学习参数对朴素贝叶斯分类器进行训练。如飞行器在室外拍摄获取此帧实时图像,则对子图像进行HOG特征提取。
4)获取飞行器下方下一帧实时图像,并对其进行灰度化、模糊化处理;在本帧实时图像位于上一帧跟踪到的目标位置的矩形区域内选择一系列子图像,并对该系列子图像进行维度压缩处理以及Haar-like特征提取,得到该系列子图像的特征向量组;将此特征向量组作为朴素贝叶斯分类器的参数输入到朴素贝叶斯分类器中;如飞行器在室外拍摄获取此帧实时图像,则对子图像进行HOG特征提取。
朴素贝叶斯分类器的构造为:
5)若朴素贝叶斯分类器计算成功,则步骤4)中经朴素贝叶斯分类器计算获得分数最大值的特征向量组为预测步骤4)获取的实时图像的检测目标的位置:vpredict=max(H(v)),Strace→Strace∪posi;若分类器计算值低于测试阀值,则对轨迹栈进行弹栈处理,弹出的参数与当前帧检测目标的位置组成飞行器调整向量:vpredict=max(H(v)),vpre-pos→Strace-Strace-top,调整向量(vpre-pos-vpredict)距离为|(vpre-pos-vpredict)|;返回步骤1)进行重复操作。
以上所述实施例仅表达了本发明的一种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于对象追踪的图像增稳算法,其特征在于,包括以下步骤:
1)获取飞行器下方一帧实时图像,并将该图像转化为灰度图;对该灰度图进行模糊化处理,并选取灰度梯度值变化最大的矩形区域作为检测目标;并将检测目标中心位置存在轨迹栈中;
2)对检测目标进行维度压缩处理;对检测目标的矩形区域内、外的一系列子图像进行多尺度变换,再通过一个稀疏矩阵对多尺度图像特征进行维度压缩;
3)对经过维度压缩处理后的检测目标的矩形区域内、外的一系列子图像进行特征提取,得到不同子图像的特征向量组;将此特征向量组作为朴素贝叶斯分类器的学习参数对朴素贝叶斯分类器进行训练;
4)获取飞行器下方下一帧实时图像,并对其进行灰度化、模糊化处理;在本帧实时图像位于上一帧跟踪到的目标位置的矩形区域内选择一系列子图像,并对该系列子图像进行维度压缩处理以及特征提取,得到该系列子图像的特征向量组;将此特征向量组作为朴素贝叶斯分类器的参数输入到朴素贝叶斯分类器中;
5)若朴素贝叶斯分类器计算成功,则步骤4)中经朴素贝叶斯分类器计算获得分数最大值的特征向量组为预测步骤4)获取的实时图像的检测目标的位置;若分类器计算值低于测试阀值,则对轨迹栈进行弹栈处理,弹出的参数与当前帧检测目标的位置即组成飞行器调整向量;返回步骤1)进行重复操作。
2.根据权利要求1所述的增稳算法,其特征在于:步骤1)中检测目标的宽与高随机设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310227038.8A CN103295213B (zh) | 2013-06-07 | 2013-06-07 | 基于对象追踪的图像增稳方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310227038.8A CN103295213B (zh) | 2013-06-07 | 2013-06-07 | 基于对象追踪的图像增稳方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103295213A true CN103295213A (zh) | 2013-09-11 |
CN103295213B CN103295213B (zh) | 2016-08-31 |
Family
ID=49096019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310227038.8A Expired - Fee Related CN103295213B (zh) | 2013-06-07 | 2013-06-07 | 基于对象追踪的图像增稳方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103295213B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105173102A (zh) * | 2015-09-18 | 2015-12-23 | 西北农林科技大学 | 一种基于多图像的四旋翼飞行器增稳系统与方法 |
CN105913454A (zh) * | 2016-04-06 | 2016-08-31 | 东南大学 | 一种视频图像中运动目标的像素坐标轨迹预测方法 |
CN106919186A (zh) * | 2017-04-21 | 2017-07-04 | 南京模幻天空航空科技有限公司 | 无人飞行器飞行控制操作方法以及装置 |
CN108139758A (zh) * | 2015-10-09 | 2018-06-08 | 深圳市大疆创新科技有限公司 | 基于显著性特征的载运工具定位 |
CN115047890A (zh) * | 2022-08-17 | 2022-09-13 | 北京大学 | 无人船控制方法、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09119982A (ja) * | 1995-10-26 | 1997-05-06 | Mitsubishi Heavy Ind Ltd | 飛しょう体誘導装置 |
CN1571475A (zh) * | 2004-05-10 | 2005-01-26 | 东南大学 | 摄像机图像增稳方法及其辅助装置 |
CN101349565A (zh) * | 2008-09-10 | 2009-01-21 | 北京航空航天大学 | 一种基于计算机视觉的飞行器航向跟踪方法 |
US7616807B2 (en) * | 2005-02-24 | 2009-11-10 | Siemens Corporate Research, Inc. | System and method for using texture landmarks for improved markerless tracking in augmented reality applications |
-
2013
- 2013-06-07 CN CN201310227038.8A patent/CN103295213B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09119982A (ja) * | 1995-10-26 | 1997-05-06 | Mitsubishi Heavy Ind Ltd | 飛しょう体誘導装置 |
CN1571475A (zh) * | 2004-05-10 | 2005-01-26 | 东南大学 | 摄像机图像增稳方法及其辅助装置 |
US7616807B2 (en) * | 2005-02-24 | 2009-11-10 | Siemens Corporate Research, Inc. | System and method for using texture landmarks for improved markerless tracking in augmented reality applications |
CN101349565A (zh) * | 2008-09-10 | 2009-01-21 | 北京航空航天大学 | 一种基于计算机视觉的飞行器航向跟踪方法 |
Non-Patent Citations (3)
Title |
---|
KAIHUA ZHANG 等: "Real-Time Compressive Tracking", 《COMPUTER VISION》, vol. 7574, 13 October 2012 (2012-10-13), XP047019010 * |
OMEAD AMIDI: "An Autonomous Vision-Guided Helicopter", 《CARNEGIE MELLON UNIVERSITY》, 31 December 1996 (1996-12-31) * |
季健 等: "航空序列图像的特征模型提取及追踪", 《中国图象图形学报》, vol. 9, no. 6, 30 June 2004 (2004-06-30) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105173102A (zh) * | 2015-09-18 | 2015-12-23 | 西北农林科技大学 | 一种基于多图像的四旋翼飞行器增稳系统与方法 |
CN108139758A (zh) * | 2015-10-09 | 2018-06-08 | 深圳市大疆创新科技有限公司 | 基于显著性特征的载运工具定位 |
CN105913454A (zh) * | 2016-04-06 | 2016-08-31 | 东南大学 | 一种视频图像中运动目标的像素坐标轨迹预测方法 |
CN105913454B (zh) * | 2016-04-06 | 2018-05-15 | 东南大学 | 一种视频图像中运动目标的像素坐标轨迹预测方法 |
CN106919186A (zh) * | 2017-04-21 | 2017-07-04 | 南京模幻天空航空科技有限公司 | 无人飞行器飞行控制操作方法以及装置 |
CN115047890A (zh) * | 2022-08-17 | 2022-09-13 | 北京大学 | 无人船控制方法、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103295213B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN109359536B (zh) | 基于机器视觉的乘客行为监控方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN109816695A (zh) | 一种复杂背景下的红外小型无人机目标检测与跟踪方法 | |
CN105894701B (zh) | 输电线路防外破大型施工车辆的识别报警方法 | |
CN107563355A (zh) | 基于生成对抗网络的高光谱异常检测方法 | |
CN107909600A (zh) | 一种基于视觉的无人机实时运动目标分类与检测方法 | |
CN110533695A (zh) | 一种基于ds证据理论的轨迹预测装置及方法 | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN103295213A (zh) | 基于对象追踪的图像增稳算法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN104463249B (zh) | 一种基于弱监督学习框架的遥感图像机场检测方法 | |
CN104978570B (zh) | 基于增量学习的行车视频中交通标志的检测和识别方法 | |
CN103345631B (zh) | 图像特征提取、训练、检测方法及模块、装置、系统 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN103208008A (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
CN109255286A (zh) | 一种基于yolo深度学习网络框架的无人机光学快速检测识别方法 | |
CN107909027A (zh) | 一种具有遮挡处理的快速人体目标检测方法 | |
CN103593672A (zh) | Adaboost分类器在线学习方法及系统 | |
CN110674674A (zh) | 一种基于yolo v3的旋转目标检测方法 | |
CN104361351A (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
CN103426179A (zh) | 一种基于均值偏移多特征融合的目标跟踪方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160831 |