CN104463179A - 基于brisk检测器最大值响应的无人机自主着陆目标检测方法 - Google Patents
基于brisk检测器最大值响应的无人机自主着陆目标检测方法 Download PDFInfo
- Publication number
- CN104463179A CN104463179A CN201410840799.5A CN201410840799A CN104463179A CN 104463179 A CN104463179 A CN 104463179A CN 201410840799 A CN201410840799 A CN 201410840799A CN 104463179 A CN104463179 A CN 104463179A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- layer
- brisk
- fast
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BRISK检测器最大值响应的无人机自主着陆目标检测方法,其步骤为:(1)输入:无人机飞行序列图I;(2)生成BRISK尺度空间;根据无人机飞行序列图I中的图像,生成尺度空间图;(3)图像特征点检测;通过对BRISK尺度空间的每一层进行FAST角点检测,确定视觉图像中的特征点;(4)目标稳定特征点提取;在图像特征点中提取目标的稳定特征点,即,对于所有特征点,筛选出响应值最大的特征点,该响应值最大的特征点的图像坐标为无人机目标图像检测位置。本发明具有稳定性好,准确性高、实时性强、适用性好等优点。
Description
技术领域
本发明主要涉及到无人机的控制领域,特指一种基于BRISK(BRISK:Binary RobustInvariant Scalable Keypoints,尺度不变性二进制描述关键点检测算法)检测器最大值响应的无人机自主着陆目标检测方法。
背景技术
无人机在降落过程中存在平台运动、晃动、场地狭小、气象条件复杂多变等问题,无人机末端引导控制失误将可能造成人员伤亡或设备损毁等安全事故。因此,如何实现自动、安全、快速地定位和引导是决定无人机使用成本、频率和效能的关键问题。基于光学的导引技术主要研究如何实现无人机在进入回收区后进行跟踪和定位,及引导其按照设定航线平稳降落的问题。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种稳定性好,准确性高、实时性强、适用性好的基于BRISK检测器最大值响应的无人机自主着陆目标检测方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于BRISK检测器最大值响应的无人机自主着陆目标检测方法,其步骤为:
(1)输入:无人机飞行序列图I;
(2)生成BRISK尺度空间;根据无人机飞行序列图I中的图像,生成尺度空间图;
(3)图像特征点检测;通过对BRISK尺度空间的每一层进行FAST角点检测,确定视觉图像中的特征点;
(4)目标稳定特征点提取;在图像特征点中提取目标的稳定特征点,即,对于所有特征点,筛选出响应值最大的特征点,该响应值最大的特征点的图像坐标为无人机目标图像检测位置。
作为本发明的进一步改进:所述步骤(2)为读入第num张无人机飞行采集图像Inum,将其转化为灰度图像Inum_gray;生成n层尺度图像ci,图像ci由ci-1半采样得到;生成n-1层中间层图像di,d0由原始图像c0进行1.5倍降采样,di由di-1进行半采样得到。
作为本发明的进一步改进:所述步骤(3)的流程为:
(3.1)对BRISK尺度空间的每一层进行FAST角点检测;即,根据下式对层ci与di中的每一个像素点P,以P点为中心,3为半径的16个圆形邻域像素点作FAST角点检测,并统计圆周上状态全部为d或全部为b的最长圆弧的像素个数S,记满足S≥N条件的点为p,其图像坐标为(x,y),并记录其FAST积分值s(x,y):
其中,δ为FAST角点检测阈值。当满足条件S≥N时,中心点P为FAST角点,S为圆周上状态全部为d或全部为b的最长圆弧的像素点个数,N为FAST算子参数;
(3.2)根据下式对待测点p进行同层内非极大值抑制,如果不是极大值,则去除该角点;
s(x,y)>s(x±1,y±1)
其中,s(x,y)表示以(x,y)为坐标的待检测角点的FAST积分值;
(3.3)根据下式对ci层内待测点p进行相邻层间非极大值抑制,如果不是极大值,则去除该角点p;
根据下式对di层内待测点p进行相邻层间非极大值抑制,如果不是极大值,则去除该角点p;最终,经过非极大值抑制后得到特征点p′;
其中,表示di层中以(x,y)为坐标的待检测角点的FAST积分值,表示ci层中以(x,y)为坐标的待检测角点的FAST积分值,表示di层中最大的FAST积分值,表示ci层中最大的FAST积分值。
作为本发明的进一步改进:所述步骤(4)为:在上述步骤(3)得到的m个图像特征点中筛选目标稳定特征点K的图像坐标(xout,yout),使得特征点K的FAST积分值满足:
s(K)=max(s(j)),j=1,2…m
其中, 表示所有的特征点的积分值集合。
与现有技术相比,本发明的优点在于:
1、本发明的基于检测器最大值响应的无人机自主着陆检测定位方法,针对无人机飞行过程中的几何畸变、光照变化等变换以及复杂背景条件下呈现的视觉图像,采用一种稳定性好,准确性高、实时性强的局部特征来描述无人机特性。
2、本发明的基于检测器最大值响应的无人机自主着陆检测定位方法,针对无人机视觉图像特征点检测采用BRISK方法,具有灰度变化不变性、旋转不变性、尺度不变性、仿射不变性、特征提取算法鲁棒性好和计算速度快的优点。
附图说明
图1是BRISK尺度空间的示意图。
图2是FAST角点检测算子的示意图。
图3是本发明在具体应用实例中无人机在空中的目标检测结果示意图;其中,(a)为初始视觉图像;(b)为BRISK特征点检测结果,圆心处为特征点位置,半径表示该特征点尺度;(c)为最大响应值算法的无人机目标稳定特征点定位结果。
图4是本发明在具体应用实例中无人机处于复杂背景情况下的目标检测结果示意图;其中,(a)为初始视觉图像;(b)为BRISK特征点检测结果,圆心处为特征点位置,半径表示该特征点尺度;(c)为最大响应值算法的无人机目标稳定特征点定位结果。
图5是本发明在具体应用实例中无人机着陆后的目标检测结果示意图;其中,(a)为初始视觉图像;(b)为BRISK特征点检测结果,圆心处为特征点位置,半径表示该特征点尺度;(c)为最大响应值算法的无人机目标稳定特征点定位结果。
图6是本发明方法的流程示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图6所示,本发明的基于BRISK检测器最大值响应的无人机自主着陆目标检测方法,其步骤为:
(1)输入:无人机飞行序列图I、FAST算子参数N、FAST角点检测阈值δ、尺度空间层数n;
(2)生成BRISK尺度空间;
读入第num张无人机飞行采集图像Inum,将其转化为灰度图像Inum_gray;生成n层尺度图像ci,图像ci由ci-1半采样得到;生成n-1层中间层图像di,d0由原始图像c0进行1.5倍降采样,di由di-1进行半采样得到;
在具体应用时,如图1所示,BRISK尺度空间由n层ci以及n个中间层di(i=0,1,...,n-1)构成,根据实际需要可以选择n=4。ci层由ci-1层半采样得到,其中c0层为初始视觉图像;位于层ci和层ci+1之间的中间层di由di-1层半采样得到,其中d0层由c0层1.5倍降采样得到。ci层及di层的尺度表示为t(ci)=2i,t(di)=2i·1.5。
(3)图像特征点检测;通过对BRISK尺度空间的每一层进行FAST角点检测,确定视觉图像中的特征点。流程为:
(3.1)对BRISK尺度空间的每一层(ci,di,i=0,1…n-1)进行FAST角点检测;即,根据下式(1)对层ci与di中的每一个像素点P,以P点为中心,3为半径的16个圆形邻域像素点作FAST角点检测,并统计圆周上状态全部为d或全部为b的最长圆弧的像素个数S,记满足S≥N条件的点为p,其图像坐标为(x,y),并记录其FAST积分值s(x,y)。
具体方法如下:
如图2所示,在离散化的二维图像中,以P为圆心,3为半径的圆形邻域上16个像素点的像素值依次记为Ipi(i=1,2…,16),中心点P像素值记为Ip。圆上的每一个点相对于中心点有3种状态:darker(d),similar(s),brighter(b),其定义为:
其中,δ为FAST角点检测阈值。当满足条件S≥N时,中心点P为FAST角点,其中,S为圆周上状态全部为d或全部为b的最长圆弧的像素点个数,N为FAST算子参数,根据实际需要可以N=9。
对于一个FAST角点,其阈值δ不是唯一固定的,但存在最大值,定义该最大值为该角点的FAST积分值s。图像特征点是在所有的BRISK尺度空间层中进行FAST角点非极大值抑制的结果,即满足下列两个条件的FAST角点才能被确定为视觉图像中的特征点。
A.在BRISK尺度空间同一层待检测角点中,该角点FAST积分值s必须大于与之相邻的其他八个点,即:
s(x,y)>s(x±1,y±1) (2)
其中,s(x,y)表示以(x,y)为坐标的待检测角点的FAST积分值。
B.在BRISK尺度空间上一层和下一层中的其他所有角点的FAST积分值都必须低于该角点的积分值,即:
其中,表示di层中以(x,y)为坐标的待检测角点的FAST积分值,表示ci层中以(x,y)为坐标的待检测角点的FAST积分值,表示di层中最大的FAST积分值,表示ci层中最大的FAST积分值。
(3.2)根据式(2)对待测点p进行同层内非极大值抑制,如果不是极大值,则去除该角点;
(3.3)根据式(3)对ci层内待测点p进行相邻层间非极大值抑制,如果不是极大值,则去除该角点p;根据式(4)对di层内待测点p进行相邻层间非极大值抑制,如果不是极大值,则去除该角点p;最终,经过非极大值抑制后得到特征点p′。
(4)目标稳定特征点提取;即,在图像特征点中提取目标的稳定特征点。对于所有特征点p′,根据式(5)筛选出响应值最大的特征点K,其图像坐标(xout,yout),即无人机目标图像检测位置。
FAST积分值是FAST角点检测的最大阈值,是衡量局部特征点对于检测器响应敏感性的重要指标,也是稳定特征点最重要的表现。
在上述步骤(3)得到的m个图像特征点中筛选目标稳定特征点K的图像坐标(xout,yout),使得特征点K的FAST积分值满足:
s(K)=max(s(j)),j=1,2…m (5)
其中, 表示所有的特征点的积分值集合。
由上可知,本发明是在BRISK特征点检测算法的基础上,利用FAST积分值(FAST角点检测的最大阈值)作为稳定特征点的衡量指标,对无人机视觉图像检测出的特征点进行背景滤除,得到目标的稳定特征点(定义为目标上相对固定的位置,如无人机头部或起落架),从而实现无人机目标的准确定位。
在一个具体应用实例中,选取无人机近着陆时的彩色视觉图像,分辨率为480*640。处理结果如图3、图4、图5所示,图中背景中点状标记处为基于BRISK检测器最大值响应得到的目标定位,其中,(a)为初始视觉图像;(b)为BRISK特征点检测结果,圆心处为特征点位置,半径表示该特征点尺度;(c)为最大响应值算法的无人机目标稳定特征点定位结果。结果表明,该方法能够实现近着陆目标的准确定位。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (4)
1.一种基于BRISK检测器最大值响应的无人机自主着陆目标检测方法,其特征在于,步骤为:
(1)输入:无人机飞行序列图I;
(2)生成BRISK尺度空间;根据无人机飞行序列图I中的图像,生成尺度空间图;
(3)图像特征点检测;通过对BRISK尺度空间的每一层进行FAST角点检测,确定视觉图像中的特征点;
(4)目标稳定特征点提取;在图像特征点中提取目标的稳定特征点,即,对于所有特征点,筛选出响应值最大的特征点,该响应值最大的特征点的图像坐标为无人机目标图像检测位置。
2.根据权利要求1所述的基于BRISK检测器最大值响应的无人机自主着陆目标检测方法,其特征在于,所述步骤(2)为读入第num张无人机飞行采集图像Inum,将其转化为灰度图像Inum_gray;生成n层尺度图像ci,图像ci由ci-1半采样得到;生成n-1层中间层图像di,d0由原始图像c0进行1.5倍降采样,di由di-1进行半采样得到。
3.根据权利要求2所述的基于BRISK检测器最大值响应的无人机自主着陆目标检测方法,其特征在于,所述步骤(3)的流程为:
(3.1)对BRISK尺度空间的每一层进行FAST角点检测;即,根据下式对层ci与di中的每一个像素点P,以P点为中心,3为半径的16个圆形邻域像素点作FAST角点检测,并统计圆周上状态全部为d或全部为b的最长圆弧的像素个数S,记满足S≥N条件的点为p,其图像坐标为(x,y),并记录其FAST积分值s(x,y):
其中,δ为FAST角点检测阈值。当满足条件S≥N时,中心点P为FAST角点,S为圆周上状态全部为d或全部为b的最长圆弧的像素点个数,N为FAST算子参数;
(3.2)根据下式对待测点p进行同层内非极大值抑制,如果不是极大值,则去除该角点;
s(x,y)>s(x±1,y±1)
其中,s(x,y)表示以(x,y)为坐标的待检测角点的FAST积分值;
(3.3)根据下式对ci层内待测点p进行相邻层间非极大值抑制,如果不是极大值,则去除该角点p;
根据下式对di层内待测点p进行相邻层间非极大值抑制,如果不是极大值,则去除该角点p;最终,经过非极大值抑制后得到特征点p′;
其中,表示di层中以(x,y)为坐标的待检测角点的FAST积分值,表示ci层中以(x,y)为坐标的待检测角点的FAST积分值,表示di层中最大的FAST积分值,表示ci层中最大的FAST积分值。
4.根据权利要求1或2或3所述的基于BRISK检测器最大值响应的无人机自主着陆目标检测方法,其特征在于,所述步骤(4)为:在上述步骤(3)得到的m个图像特征点中筛选目标稳定特征点K的图像坐标(xout,yout),使得特征点K的FAST积分值满足:
s(K)=max(s(j)),j=1,2…m
其中, 表示所有的特征点的积分值集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410840799.5A CN104463179B (zh) | 2014-12-30 | 2014-12-30 | 基于brisk检测器最大值响应的无人机自主着陆目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410840799.5A CN104463179B (zh) | 2014-12-30 | 2014-12-30 | 基于brisk检测器最大值响应的无人机自主着陆目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463179A true CN104463179A (zh) | 2015-03-25 |
CN104463179B CN104463179B (zh) | 2018-08-31 |
Family
ID=52909193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410840799.5A Active CN104463179B (zh) | 2014-12-30 | 2014-12-30 | 基于brisk检测器最大值响应的无人机自主着陆目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463179B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504211A (zh) * | 2016-11-07 | 2017-03-15 | 湖南源信光电科技有限公司 | 基于改进surf特征匹配的低照度成像方法 |
CN107123105A (zh) * | 2017-01-20 | 2017-09-01 | 南京理工大学 | 基于fast算法的图像匹配缺陷检测方法 |
CN109712071A (zh) * | 2018-12-14 | 2019-05-03 | 电子科技大学 | 基于航迹约束的无人机图像拼接与定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567994A (zh) * | 2011-12-31 | 2012-07-11 | 南京理工大学 | 基于角点高斯特性分析的红外小目标检测方法 |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
CN103942786A (zh) * | 2014-04-09 | 2014-07-23 | 北京航空航天大学 | 无人机可见光和红外图像的自适应团块目标检测方法 |
-
2014
- 2014-12-30 CN CN201410840799.5A patent/CN104463179B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567994A (zh) * | 2011-12-31 | 2012-07-11 | 南京理工大学 | 基于角点高斯特性分析的红外小目标检测方法 |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
CN103942786A (zh) * | 2014-04-09 | 2014-07-23 | 北京航空航天大学 | 无人机可见光和红外图像的自适应团块目标检测方法 |
Non-Patent Citations (4)
Title |
---|
LAURENT COUTARD ET AL: ""Visual detection and 3D model-based tracking for landing on an aircraft carrier"", 《2011 IEEE INTERNATIONAL》 * |
STEFAN LEUTENEGGER ET AL: ""BRISK: Binary Robust Invariant Scalable Keypoints"", 《INTERNATIONAL CONFERENCE ON COMPUTER》 * |
刘运龙 等: ""基于局部均值的红外小目标检测算法"", 《红外与激光工程》 * |
申浩 等: ""航拍视频帧间快速配准算法"", 《航空学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504211A (zh) * | 2016-11-07 | 2017-03-15 | 湖南源信光电科技有限公司 | 基于改进surf特征匹配的低照度成像方法 |
CN107123105A (zh) * | 2017-01-20 | 2017-09-01 | 南京理工大学 | 基于fast算法的图像匹配缺陷检测方法 |
CN109712071A (zh) * | 2018-12-14 | 2019-05-03 | 电子科技大学 | 基于航迹约束的无人机图像拼接与定位方法 |
CN109712071B (zh) * | 2018-12-14 | 2022-11-29 | 电子科技大学 | 基于航迹约束的无人机图像拼接与定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104463179B (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111998860B (zh) | 自动驾驶定位数据校验方法、装置、电子设备及存储介质 | |
US11733042B2 (en) | Information processing apparatus, information processing method, program, and ground marker system | |
JP4985166B2 (ja) | 自己位置推定装置 | |
CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
Bao et al. | Single shot anchor refinement network for oriented object detection in optical remote sensing imagery | |
EP3401875A2 (en) | Method and systems for part geometry extraction | |
CN103148881A (zh) | 利用视频自动对指针式仪表进行读数的方法及装置 | |
Li et al. | Recognition of insulator based on developed MPEG-7 texture feature | |
CN104064057A (zh) | 图像跟踪测量数据与雷达测量数据互补融合的实现方法 | |
Pan et al. | Power line detection via background noise removal | |
CN103996239A (zh) | 一种基于多线索融合的票据定位识别方法及系统 | |
CN106482639B (zh) | 基于近似熵计算的低速冲击位置辨识方法 | |
CN104463179A (zh) | 基于brisk检测器最大值响应的无人机自主着陆目标检测方法 | |
KR20120064922A (ko) | 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치 | |
CN103886294A (zh) | 基于图像的换流站用避雷器动作次数的识别方法以及系统 | |
CN102663778B (zh) | 一种基于多视点视频的目标跟踪方法和系统 | |
CN108573244B (zh) | 一种车辆检测方法、装置及系统 | |
CN104408446A (zh) | 一种基于图像显著性的无人机自主着陆目标检测方法 | |
CN103699876A (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
Jin et al. | Vision-based target tracking for unmanned surface vehicle considering its motion features | |
CN106950527B (zh) | 一种多基线干涉仪测向体制下的脉冲信号分选方法 | |
KR101933580B1 (ko) | 차량 mms를 이용한 과속방지턱 정보 취득방법 | |
CN112734745B (zh) | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 | |
CN112183463B (zh) | 基于雷达图像的船只识别模型的验证方法及装置 | |
CN106874928A (zh) | 跟踪目标突发关键事件自动判决方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |