CN103295213A - 基于对象追踪的图像增稳算法 - Google Patents

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

基于对象追踪的图像增稳算法

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S_trace中:S_trace→S_trace∪pos_i,其中pos_i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{h_1,1,…_,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,…,x_m)^T∈R^m其中x_i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 $R^{m\×n}\×\left[\begin{array}{c}{t}_1\\ t_2\\ .\\ .\\ .\\ t_m\end{array}\right]=\left[\begin{array}{c}{v}_1\\ v_2\\ .\\ .\\ .\\ v_n\end{array}\right],$ 其中 $\left[\begin{array}{c}{t}_1\\ t_2\\ .\\ .\\ .\\ t_m\end{array}\right]$ 为高维度的图像空间，v_i∈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：

$H\left(V\right)=\log \left(\frac{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=1)p(y=1)}{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right),$ 其中 $V={\left(v_{1,}{...}_{,}{v}_n\right)}^T=R^{m\×n}\×\left[\begin{array}{c}{t}_1\\ t_2\\ \·\\ \·\\ \·\\ t_m\end{array}\right]$ 为降低维度后的低维度图像空间；其中 $\left[\begin{array}{c}{t}_1\\ t_2\\ \·\\ \·\\ \·\\ t_m\end{array}\right]$ 为高维度的图像空间，X＝(x₁,…,x_m)^T∈R^m其中x_i为矩形模板；

分朴素贝叶斯类机的学习：对应条件概率函数p的正态分布参数的更新有：

${\mathrm{\σ}}_i^1\←\sqrt{\mathrm{\λ}{\left({\mathrm{\σ}}_i^1\right)}^2+(1-\mathrm{\λ}){\left({\mathrm{\σ}}^1\right)}^2+\mathrm{\λ}(1-\mathrm{\λ}){({\mathrm{\μ}}_i^1-{\mathrm{\μ}}^1)}^2,}$ 其中 ${\mathrm{\σ}}^1\←\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{(v_i\left(k\right)-\mathrm{\μ})}^1},$ ${\mathrm{\μ}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{v}_i\left(k\right),$ λ为分类器的阀值。

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：v_predict＝max(H(v))，S_trace→S_trace∪pos_i；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：v_predict＝max(H(v))，v_pre-pos→S_trace-S_trace-top，调整向量(v_pre-pos-v_predict)距离为|(v_pre-pos-v_predict)|；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。

3.根据权利要求1所述的增稳算法，其特征在于：步骤2）中

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{h_1,1,…,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,…,x_m)^T∈R^m其中x_i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 $R^{m\×n}\×\left[\begin{array}{c}{t}_1\\ t_2\\ \·\\ \·\\ \·\\ t_m\end{array}\right]=\left[\begin{array}{c}{v}_1\\ v_2\\ \·\\ \·\\ \·\\ v_n\end{array}\right],$ 其中 $\left[\begin{array}{c}{t}_1\\ t_2\\ \·\\ \·\\ \·\\ t_m\end{array}\right]$ 为高维度的图像空间，v_i∈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。

4.根据权利要求1所述的增稳算法，其特征在于：步骤3）中

朴素贝叶斯分类器的构造为：

$H\left(V\right)=\log \left(\frac{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=1)p(y=1)}{{\mathrm{\Π}}_{i=1}^{n}p\left(v_i\right|y=0)p(y=0)}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right),$ 其中 $V={\left(v_{1,}{...}_{,}{v}_n\right)}^T=R^{m\×n}\×\left[\begin{array}{c}{t}_1\\ t_2\\ \·\\ \·\\ \·\\ t_m\end{array}\right]$ 为降低维度后的低维度图像空间；其中 $\left[\begin{array}{c}{t}_1\\ t_2\\ \·\\ \·\\ \·\\ t_m\end{array}\right]$ 为高维度的图像空间，X＝(x₁,…,x_m)^T∈R^m其中x_i为矩形模板；

分朴素贝叶斯类机的学习：对应条件概率函数p的正态分布参数的更新有：

${\mathrm{\σ}}_i^1\←\sqrt{\mathrm{\λ}{\left({\mathrm{\σ}}_i^1\right)}^2+(1-\mathrm{\λ}){\left({\mathrm{\σ}}^1\right)}^2+\mathrm{\λ}(1-\mathrm{\λ}){({\mathrm{\μ}}_i^1-{\mathrm{\μ}}^1)}^2,}$ 其中 ${\mathrm{\σ}}^1\←\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{(v_i\left(k\right)-\mathrm{\μ})}^1},$ ${\mathrm{\μ}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{v}_i\left(k\right),$ λ为分类器的阀值。