CN105279755B - 一种无人机全天候着舰合作目标鲁棒检测及匹配方法 - Google Patents

Abstract

本发明公开了一种无人机全天候着舰合作目标鲁棒检测及匹配方法，包括步骤：一、合作目标图像获取：采用图像采集设备获取着舰区域的图像，所获取图像中包含热红外着舰合作目标的图像，热红外着舰合作目标由五个布设在同一平面上且呈十字状布设的加热电炉组成；二、合作目标图像处理，过程如下：201、图像预处理；202、基于显著性区域的图像分割；203、轮廓信息提取；204、热红外合作目标检测及匹配，包括步骤：距离约束、形状约束和位置约束。本发明方法步骤简单、设计合理且实现方便、检测精度高、使用效果好，能实现对复杂环境下、远距离且全天候引导无人机着舰使用的合作目标进行精确、鲁棒检测及快速匹配。

Description

一种无人机全天候着舰合作目标鲁棒检测及匹配方法

技术领域

本发明属于视觉导航技术领域，尤其是涉及一种无人机全天候着舰合作目标鲁棒检测及匹配方法。

背景技术

视觉相对导航以其自主性强、无源、引导精度高等优点，使得基于视觉引导无人机着舰技术成为国内外一个重要研究领域。目前从事该领域研究工作的机构有国外的雷恩一大、美国海军研究所院以及卡内基梅隆大学等，国内的主要研究机构有北航、南航、西工大以及清华大学等。在利用视觉进行着舰相对导航时，一个最重要部分就是合作目标的设计及其合作目标检测算法。

目前，国内外研究机构所设计的着舰合作目标类型主要包括由黑色和白色组成的合作目标、由多种颜色组成的彩色合作目标、近红外合作目标以及热红外合作目标四种类型的合作目标。由黑色和白色组成的合作目标以及彩色合作目标主要适用于能见度较好且距离合作目标较近的情况，对于能见度较差如夜间、阴雨天以及距离合作目标较远的情况下则无法使用。近红外着舰合作目标虽然可以在夜间实现对无人机的引导，但是它检测距离有限，而且抗环境干扰能力不强。而由热红外源组成的合作目标可以实现对舰载无人机全天候、远距离的引导，但是目前所设计的热红外合作目标都采用一种固定的形状(如H形或T形)，当无人机距离该热红外合作目标较远时，由于热红外图像对比度低，分辨细节能力较差，使得该合作目标特征信息(如角点)难以准确提取及匹配。因而，在目前的研究成果中尚未发现满足复杂环境下、远距离、全天候引导无人机着舰使用的合作目标及相应的实时性好、检测精度高的检测方法；并且，在准确检测出合作目标后，如何准确将图像中检测出的合作目标特征点与事先标定好的合作目标特征点有效匹配也是一个关键问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其方法步骤简单、设计合理且实现方便、检测精度高、使用效果好，能实现对复杂环境下、远距离且全天候引导无人机着舰使用的合作目标进行精确、鲁棒检测及快速匹配。

为解决上述技术问题，本发明采用的技术方案是：一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于该方法包括以下步骤：

步骤一、合作目标图像获取：采用图像采集设备且按照预先设计的采样频率，获取着舰区域的图像，并将所获取图像同步传送至处理器进行处理；所获取图像中包含热红外着舰合作目标的图像；所述图像采集设备与所述处理器相接；

所述热红外着舰合作目标由五个布设在同一平面上的加热电炉组成，五个所述加热电炉的结构、尺寸和加热功率均相同；五个所述加热电炉均包括电炉盘和布设在电炉盘上的红外线加热元件，所述电炉盘为圆形或正多边形；五个所述加热电炉分别为第一电炉以及分别布设于第一电炉正上方、正下方、左侧和右侧的第二电炉、第三电炉、第四电炉和第五电炉；所述第一电炉、第四电炉和第五电炉均布设在同一直线L1上，所述第一电炉、第二电炉和第三电炉均布设在同一直线L2上，所述直线L1与直线L2呈垂直布设；所述第三电炉、第四电炉和第五电炉与第一电炉之间的间距均为d，所述第二电炉与第一电炉之间的间距为(1.5～3)×d，其中d＝0.8m～1.2m；

步骤二、合作目标图像处理：采用所述处理器，同步对步骤一中各采样时刻所获取的图像分别进行处理，各采样时刻所获取图像的处理方法均相同；对任一个采样时刻所获取的图像进行处理时，过程如下：

步骤201、图像预处理：调用图像预处理模块，先将待处理图像转换为灰度图像，再对转换后的灰度图像进行中值滤波去噪，获得预处理后图像；

步骤202、基于显著性区域的图像分割：调用图像分割模块，对步骤201中所述预处理后图像进行图像显著性检测，并检测出所述预处理后图像中的图像显著性区域；再根据所检测出的图像显著性区域，对所述预处理后图像进行图像分割，获得候选合作目标图像；

步骤203、轮廓信息提取：调用轮廓提取模块，提取出步骤202中所述候选合作目标图像中的所有封闭轮廓线，并对各封闭轮廓线的轮廓信息进行提取；每个所述封闭轮廓线的轮廓信息均包括该封闭轮廓线的长度和几何中心点的像素坐标；

所述候选合作目标图像中所述封闭轮廓线的总数量记作N；N个所述封闭轮廓线中第i个所述封闭轮廓线的长度记作L_i，其中L_i为第i个所述封闭轮廓线的长度，第i个所述封闭轮廓线的几何中心点的像素坐标记作(u_i,v_i)；其中，i为正整数且i＝1、2、…、N；

步骤204、热红外合作目标检测及匹配：调用三重约束检测模块，从步骤202中所述候选合作目标图像中检测并匹配出所述热红外合作目标，包括以下步骤：

步骤2041、距离约束：调用距离约束模块，对个待分析图像组分别进行距离约束判断，并从个所述待分析图像组找出所有满足距离约束条件的待分析图像组；所找出的满足距离约束条件的待分析图像组的总数量记作Q，每个满足距离约束条件的待分析图像组均为一个候选合作目标图像区域；步骤203中N个所述封闭轮廓线中的任意5个所述封闭轮廓线组成一个所述待分析图像组，每个所述待分析图像组中均包括步骤203中N个所述封闭轮廓线中的5个所述封闭轮廓线；

个所述待分析图像组的距离约束判断方法均相同；对个所述待分析图像组中第k个所述待分析图像组进行距离约束判断时，根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，判断该待分析图像组中5个所述封闭轮廓线的几何中心点之间的欧式距离是否与所述热红外着舰合作目标中五个所述加热电炉之间的距离一致：当判断出该待分析图像组中5个所述封闭轮廓线的几何中心点之间的欧式距离与所述热红外着舰合作目标中五个所述加热电炉之间的距离一致时，说明第k个所述待分析图像组为满足距离约束条件的待分析图像组；其中，k为正整数且k＝1、2、…、

步骤2042、形状约束：调用距离约束模块，对步骤2041中找出的Q个所述候选合作目标图像区域分别进行形状约束判断，并从Q个所述候选合作目标图像区域中找出满足形状约束条件的候选合作目标图像区域；所找出的满足形状约束条件的候选合作目标图像区域为待匹配候选合作目标图像；

Q个所述候选合作目标图像区域的形状约束判断均相同；对Q个所述候选合作目标图像区域中第q个所述候选合作目标图像区域进行形状约束判断时，根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，判断该候选合作目标图像区域中5个所述封闭轮廓线的长度是否与所述热红外着舰合作目标中五个所述加热电炉的外轮廓线长度一致：当判断出该候选合作目标图像区域中5个所述封闭轮廓线的长度与所述热红外着舰合作目标中五个所述加热电炉的外轮廓线长度一致时，说明第q个所述候选合作目标图像区域为满足形状约束条件的候选合作目标图像区域；其中，q为正整数且q＝1、2、…、Q；

步骤2043、位置约束：调用位置约束模块且根据所述热红外着舰合作目标中五个所述加热电炉的位置关系，对步骤2042中所述的待匹配候选合作目标图像进行位置约束判断，将所述待匹配候选合作目标图像中的5个所述封闭轮廓线内的图像区域分别与所述热红外着舰合作目标中五个所述加热电炉进行一一匹配。

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤一中五个所述加热电炉均布设在同一个平板上。

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤一中所述电炉盘为圆形且其直径为20cm～50cm；所述图像采集设备为波长为8微米～12微米的热红外相机。

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤2041中对个所述待分析图像组中第k个所述待分析图像组进行距离约束判断时，包括以下步骤：

步骤20411、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，求取出第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点的像素坐标均值(u_k,v_k)；其中，k为正整数且＝1、2、…、u_k和v_k分别为第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点的横坐标均值和纵坐标均值；

步骤20412、从第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点中，找出与像素点K欧式距离最近的几何中心点；所找出的几何中心点记作点A_k；所述像素点K的像素坐标为(u_k,v_k)；

步骤20413、对点A_k与第k个所述待分析图像组中其它4个所述封闭轮廓线的几何中心点之间的欧式距离分别进行计算，并对计算得出的4个欧式距离从小到大进行排序；排序后的4个所述欧式距离分别记作d_k1、d_k2、d_k3和d_k4，且d_k1≤d_k2≤d_k3≤d_k4；

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤2042中对Q个所述候选合作目标图像中第q个所述候选合作目标图像进行形状约束判断时，包括以下步骤：

步骤20421、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，将第q个所述候选合作目标图像中5个所述封闭轮廓线的长度从小到大进行排序；排序后的5个所述封闭轮廓线的长度分别记作L_q,1、L_q,2、L_q,3、L_q,4和L_q,5，且L_q,1≤L_q,2≤L_q,3≤L_q,4≤L_q,5；

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤2043中所述待匹配候选合作目标图像中的5个所述封闭轮廓线内的图像区域，分别为所述热红外着舰合作目标中五个所述加热电炉的图像。

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤2043中对所述待匹配候选合作目标图像进行位置约束判断时，包括以下步骤：

步骤20431、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，求取出所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点的像素坐标均值(u₀,v₀)；其中，u₀和v₀分别为所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点的横坐标均值和纵坐标均值；

步骤20432、从所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点中，找出与像素点A欧式距离最近的几何中心点，所找出的几何中心点标记为点A1，且点A1所处封闭轮廓线内的图像区域为所述第一电炉的图像；所述像素点A的像素坐标为(u₀,v₀)；

步骤20433、从所述待匹配候选合作目标图像中除点A1以外的其它4个所述封闭轮廓线的几何中心点中，找出与点A1距离最远的几何中心点，所找出的几何中心点标记为点A2，且点A2所处封闭轮廓线内的图像区域为所述第二电炉的图像；

步骤20434、从所述待匹配候选合作目标图像中除点A1和点A2以外的其它3个所述封闭轮廓线的几何中心点中，找出与点A2距离最远的几何中心点，所找出的几何中心点标记为点A3，且点A3所处封闭轮廓线内的图像区域为所述第三电炉的图像；

步骤20435、将所述待匹配候选合作目标图像中除点A1、点A2和点A3以外的其它2个所述封闭轮廓线的几何中心点，分别标记为点B和点C；再对点A2、点B和点C的纵坐标进行比较：当点B和点C的纵坐标均大于点A2的纵坐标时，对点B和点C的横坐标进行比较：当点B的横坐标小于点C的横坐标时，将点B记作点A4且将点C标记为点A5；否则，当点B的横坐标大于点C的横坐标时，将点C标记为点A4且将点B标记为点A5；反之，当点B和点C的纵坐标均小于点A2的纵坐标时，对点B和点C的横坐标进行比较：当点B的横坐标小于点C的横坐标时，将点C标记为点A4且将点B标记为点A5；否则，当点B的横坐标大于点C的横坐标时，将点B记作点A4且将点C标记为点A5；

其中，点A4所处封闭轮廓线内的图像区域为所述第四电炉的图像，点A5所处封闭轮廓线内的图像区域为所述第五电炉的图像。

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤2043中所述热红外着舰合作目标中五个所述加热电炉的位置关系包括五个所述加热电炉的布设位置和相邻两个所述加热电炉之间的间距。

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤203中每个所述封闭轮廓线的轮廓信息还包括位于该封闭轮廓线上的像素点总数量和位于该封闭轮廓线上的各像素点的像素坐标；

其中，位于第i个所述封闭轮廓线上的第j个像素点的像素坐标记作A_i(u_j,v_j)；其中，j为正整数且j＝1、2、…、L_i。

上述一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征是：步骤201中所述预处理后图像记作I(u,v)；

步骤202中进行基于显著性区域的图像分割时，包括以下步骤：

步骤2021、幅值谱和相位谱求取：对所述预处理后图像I(u,v)进行二维离散傅里叶变换，得到所述预处理后图像I(u,v)的幅值谱A(f)和相位谱P(f)，并求取幅值谱A(f)的log谱L(f)；其中，A(f)＝|F[I_a(u,v)]|，L(f)＝ln(A(f))；F[]为二维离散傅里叶变换，||为求取幅值，()为求取相位；

步骤2022、谱残差计算：根据公式R(f)＝L(f)-h_n(f)*L(f)(3)，求取所述预处理后图像I(u,v)的谱残差R(f)；公式(3)中，*为卷积，h_n(f)为一个n×n的方阵且其中，n为正整数且n≥3；

步骤2023、显著图生成：根据公式S(x)＝|F^-1[exp(R(f)+P(f))]²| (4)，生成所述预处理后图像I(u,v)的显著图S(x)；公式(4)中，F^-1[]为求取二维离散傅里叶逆变换；

本发明与现有技术相比具有以下优点：

1、方法步骤简单、设计合理且实现方便，投入成本较低。

2、使用操作简便，采用处理器能自动、同步完成合作目标检测过程。

3、所采用的热红外着舰合作目标结构简单、设计合理且易于检测，能有效减小合作目标的检测难度，并能提高检测精度。该热红外着舰合作目标由5个呈十字状布设的加热电炉组成。

4、使用效果好，具有检测精度高、抗干扰能力强、实时性好且易于实现等优点，能在复杂环境下、远距离以及全天候条件下实现热红外着舰合作目标的鲁棒检测以及合作目标特征的准确匹配，工程上易于实现，对基于视觉的无人机着舰系统具有重要的指导意义。本发明以无人机自主、安全着舰为研究背景，与传统的着舰合作目标检测方法相比，本发明实际使用时能解决复杂背景下、远距离、全天候环境及合作目标图像存在大尺度、角度畸变情况下，合作目标难以精确、鲁棒检测及匹配问题，能为真实无人机视觉着舰时的着舰合作目标检测提供地面数据的前期验证以及前期数据优化与性能改进工作，实施方便、灵活，具有发展前景以及工程应用价值。同时，有效解决了无人机在远距离、能见度差条件下，着舰导航精度差、需要昂贵的辅助设备引导等诸多问题，实施方便、灵活、实时性好，具有发展前景以及工程应用价值。

实际使用时，本发明根据所识别远红外着舰合作目标的距离、形状以及位置特征，提出了基于距离约束、形状约束以及位置约束这三重约束策略来实现热红外合作目标的鲁棒检测及匹配，最终能实现在复杂背景下、远距离及全天候环境中完成合作目标的鲁棒检测及匹配，实现无人机自主、安全着舰。

综上所述，本发明方法步骤简单、设计合理且实现方便、检测精度高、使用效果好，能实现对复杂环境下、远距离且全天候引导无人机着舰使用的合作目标进行精确、鲁棒检测及快速匹配。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明热红外着舰合作目标的结构示意图。

图2为本发明的方法流程框图。

附图标记说明:

1—加热电炉； 1-1—电炉盘； 1-2—红外线加热元件；

2—平板。

具体实施方式

如图2所示的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，包括以下步骤：

步骤一、合作目标图像获取：采用图像采集设备且按照预先设计的采样频率，获取着舰区域的图像，并将所获取图像同步传送至处理器进行处理；所获取图像中包含热红外着舰合作目标的图像；所述图像采集设备与所述处理器相接；

如图1所示，所述热红外着舰合作目标由五个布设在同一平面上的加热电炉1组成，五个所述加热电炉1的结构、尺寸和加热功率均相同；五个所述加热电炉1均包括电炉盘1-1和布设在电炉盘1-1上的红外线加热元件1-2，所述电炉盘1-1为圆形或正多边形；五个所述加热电炉分别为第一电炉以及分别布设于第一电炉正上方、正下方、左侧和右侧的第二电炉、第三电炉、第四电炉和第五电炉；所述第一电炉、第四电炉和第五电炉均布设在同一直线L1上，所述第一电炉、第二电炉和第三电炉均布设在同一直线L2上，所述直线L1与直线L2呈垂直布设；所述第三电炉、第四电炉和第五电炉与第一电炉之间的间距均为d，所述第二电炉与第一电炉之间的间距为(1.5～3)×d，其中d＝0.8m～1.2m；

步骤二、合作目标图像处理：采用所述处理器，同步对步骤一中各采样时刻所获取的图像分别进行处理，各采样时刻所获取图像的处理方法均相同；对任一个采样时刻所获取的图像进行处理时，过程如下：

步骤201、图像预处理：调用图像预处理模块，先将待处理图像转换为灰度图像，再对转换后的灰度图像进行中值滤波去噪，获得预处理后图像；

步骤202、基于显著性区域的图像分割：调用图像分割模块，对步骤201中所述预处理后图像进行图像显著性检测，并检测出所述预处理后图像中的图像显著性区域；再根据所检测出的图像显著性区域，对所述预处理后图像进行图像分割，获得候选合作目标图像；

步骤203、轮廓信息提取：调用轮廓提取模块，提取出步骤202中所述候选合作目标图像中的所有封闭轮廓线，并对各封闭轮廓线的轮廓信息进行提取；每个所述封闭轮廓线的轮廓信息均包括该封闭轮廓线的长度和几何中心点的像素坐标；

所述候选合作目标图像中所述封闭轮廓线的总数量记作N；N个所述封闭轮廓线中第i个所述封闭轮廓线的长度记作L_i，其中L_i为第i个所述封闭轮廓线的长度，第i个所述封闭轮廓线的几何中心点的像素坐标记作(u_i,v_i)；其中，i为正整数且i＝1、2、…、N；

步骤204、热红外合作目标检测及匹配：调用三重约束检测模块，从步骤202中所述候选合作目标图像中检测并匹配出所述热红外合作目标，包括以下步骤：

步骤2041、距离约束：调用距离约束模块，对个待分析图像组分别进行距离约束判断，并从个所述待分析图像组找出所有满足距离约束条件的待分析图像组；所找出的满足距离约束条件的待分析图像组的总数量记作Q，每个满足距离约束条件的待分析图像组均为一个候选合作目标图像区域；步骤203中N个所述封闭轮廓线中的任意5个所述封闭轮廓线组成一个所述待分析图像组，每个所述待分析图像组中均包括步骤203中N个所述封闭轮廓线中的5个所述封闭轮廓线；

个所述待分析图像组的距离约束判断方法均相同；对个所述待分析图像组中第k个所述待分析图像组进行距离约束判断时，根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，判断该待分析图像组中5个所述封闭轮廓线的几何中心点之间的欧式距离是否与所述热红外着舰合作目标中五个所述加热电炉1之间的距离一致：当判断出该待分析图像组中5个所述封闭轮廓线的几何中心点之间的欧式距离与所述热红外着舰合作目标中五个所述加热电炉1之间的距离一致时，说明第k个所述待分析图像组为满足距离约束条件的待分析图像组；其中，k为正整数且k＝1、2、…、

步骤2042、形状约束：调用距离约束模块，对步骤2041中找出的Q个所述候选合作目标图像区域分别进行形状约束判断，并从Q个所述候选合作目标图像区域中找出满足形状约束条件的候选合作目标图像区域；所找出的满足形状约束条件的候选合作目标图像区域为待匹配候选合作目标图像；

Q个所述候选合作目标图像区域的形状约束判断均相同；对Q个所述候选合作目标图像区域中第q个所述候选合作目标图像区域进行形状约束判断时，根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，判断该候选合作目标图像区域中5个所述封闭轮廓线的长度是否与所述热红外着舰合作目标中五个所述加热电炉1的外轮廓线长度一致：当判断出该候选合作目标图像区域中5个所述封闭轮廓线的长度与所述热红外着舰合作目标中五个所述加热电炉1的外轮廓线长度一致时，说明第q个所述候选合作目标图像区域为满足形状约束条件的候选合作目标图像区域；其中，q为正整数且q＝1、2、…、Q；

步骤2043、位置约束：调用位置约束模块且根据所述热红外着舰合作目标中五个所述加热电炉1的位置关系，对步骤2042中所述的待匹配候选合作目标图像进行位置约束判断，将所述待匹配候选合作目标图像中的5个所述封闭轮廓线内的图像区域分别与所述热红外着舰合作目标中五个所述加热电炉1进行一一匹配。

本实施例中，步骤一中所述d＝1m。

实际加工时，可根据具体需要，对d的取值进行相应调整。

本实施例中，步骤一中五个所述加热电炉1均布设在同一个平板2上。五个所述加热电炉1形成5个热红外合作目标，并且五个所述加热电炉1呈十字形布设。

并且，所述第一电炉、第二电炉、第三电炉、第四电炉和第五电炉的编号分别为1#、2#、3#、4#和5#。

本实施例中，所述图像采集设备为波长为8微米～12微米的热红外相机(即热红外成像相机)。由于加热电炉1的温度相比于周围环境温度较高，因而利用热红外相机拍摄热红外合作目标时，其干扰较少。

本实施例中，步骤一中所述电炉盘1-1为圆形。

并且，所述电炉盘1-1直径为20cm～50cm。

本实施例中，所述电炉盘1-1直径为30cm且其加热功率为1000瓦。实际使用时，可根据具体需要，对所述电炉盘1-1的直径进行相应调整。

所述电炉盘1-1也可以为正多变形，如正方形、正五边形、正六边形等。

五个所述加热电炉1均为红外线加热炉。本实施例中，所述红外线加热元件1-2为红外线电炉丝(也称为红外线电热丝)。实际使用时，所述红外线加热元件1-2也可以为红外线加热管。

并且，所述电炉盘1-1上设置有多圈所述红外线电炉丝，多圈所述红外线电炉丝位于同一平面上且其均为圆形。

本实施例中，对转换后的灰度图像进行中值滤波去噪时，滤波窗口大小选为3×3个像素点。

由于步骤一中所述的热红外着舰合作目标由5个所述热红外合作目标(即5个所述加热电炉1)组成，5个所述热红外合作目标相对于周围环境具有更强的显著性，因而利用所述处理后图像生成基于谱残差的显著图，以便对候选合作目标图像进行提取。此处，将显著度值(也称为显著值)大于所设置阈值Thresh的区域作为候选合作目标图像。步骤202中所述候选合作目标图像中包括多个候选合作目标图像区域，多个所述候选合作目标图像区域分别与多个所述图像显著性区域一一对应。其中，所述候选合作目标指的是候选的所述热红外合作目标。

本实施例中，步骤201中所述预处理后图像记作I(u,v)；

步骤202中进行基于显著性区域的图像分割时，包括以下步骤：

步骤2021、幅值谱和相位谱求取：对所述预处理后图像I(u,v)进行二维离散傅里叶变换，得到所述预处理后图像I(u,v)的幅值谱A(f)和相位谱P(f)，并求取幅值谱A(f)的log谱L(f)；其中，A(f)＝|F[I_a(u,v)]|，L(f)＝ln(A(f))；F[]为二维离散傅里叶变换，||为求取幅值，()为求取相位；

步骤2022、谱残差计算：根据公式R(f)＝L(f)-h_n(f)*L(f)(3)，求取所述预处理后图像I(u,v)的谱残差R(f)；公式(3)中，*为卷积，h_n(f)为一个n×n的方阵且其中，n为正整数且n≥3；

步骤2023、显著图生成：根据公式S(x)＝|F^-1[exp(R(f)+P(f))]²| (4)，生成所述预处理后图像I(u,v)的显著图S(x)；公式(4)中，F^-1[]为求取二维离散傅里叶逆变换；

步骤2024中所述候选合作目标图像O(x)中标记为“255”的区域为候选合作目标图像区域，标记为“0”的区域为背景。

本实施例中，步骤2022中所述的n＝3。

实际使用时，可根据具体需要，对n的取值大小进行相应调整。

本实施例中，步骤2024中所述的c＝3。

实际使用时，可根据具体需要，对c的取值大小进行相应调整。

本实施例中，步骤一中所述热红外着舰合作目标为无人机的着舰合作目标；所述图像采集设备和所述处理器均安装在所述无人机上。

同时，所述无人机上还安装有对所述图像采集设备与所述彩色着舰合作目标之间的距离进行测量的机载测距装置，所述机载测距装置与所述处理器相接。

步骤203中调用所述轮廓提取模块，对所述候选合作目标图像中的封闭轮廓线进行提取时，采用常规的轮廓线提取方法。

本实施例中，对所述候选合作目标图像中的封闭轮廓线进行提取时，按照轮廓跟踪法进行提取。

所述轮廓跟踪法为本领域技术人员熟知的轮廓跟踪算法，因而实现简便且提取精度高。其中，轮廓跟踪法的原理详见冈萨雷斯出版的《数字图像处理》一书。

本实施例中，所采用的轮廓跟踪法为基于Freeman链码的边缘跟踪算法.其中，选取的是8方向链码。

本实施例中，步骤203中每个所述封闭轮廓线的轮廓信息还包括位于该封闭轮廓线上的像素点总数量和位于该封闭轮廓线上的各像素点的像素坐标；

其中，位于第i个所述封闭轮廓线上的第j个像素点的像素坐标记作A_i(u_j,v_j)；其中，j为正整数且j＝1、2、…、L_i。

本实施例中，步骤2041中所述的为组合数且N！为N的阶乘且N！＝N×(N-1)×…×2×1，5！为5的阶乘且5！＝5×4×3×2×1，(N-5)！为N-5的阶乘且(N-5)！＝(N-5)×(N-4)×…×2×1。

本实施例中，步骤2041中对个所述待分析图像组中第k个所述待分析图像组进行距离约束判断时，包括以下步骤：

步骤20411、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，求取出第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点的像素坐标均值(u_k,v_k)；其中，k为正整数且＝1、2、…、u_k和v_k分别为第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点的横坐标均值和纵坐标均值；

步骤20412、从第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点中，找出与像素点K欧式距离最近的几何中心点；所找出的几何中心点记作点A_k；所述像素点K的像素坐标为(u_k,v_k)；

步骤20413、对点A_k与第k个所述待分析图像组中其它4个所述封闭轮廓线的几何中心点之间的欧式距离分别进行计算，并对计算得出的4个欧式距离从小到大进行排序；排序后的4个所述欧式距离分别记作d_k1、d_k2、d_k3和d_k4，且d_k1≤d_k2≤d_k3≤d_k4；

实际操作过程中，需按照步骤20411至步骤20414中所述的方法，对个所述待分析图像组中的各待分析图像组分别进行距离约束判断，并将满足距离约束条件的待分析图像组均存储至同一个集合内。次重复步骤20411至步骤20414中所述的方法，便能完成个所述待分析图像组的距离约束判断过程。

本实施例中，步骤2042中对Q个所述候选合作目标图像中第q个所述候选合作目标图像进行形状约束判断时，包括以下步骤：

步骤20421、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，将第q个所述候选合作目标图像中5个所述封闭轮廓线的长度从小到大进行排序；排序后的5个所述封闭轮廓线的长度分别记作L_q,1、L_q,2、L_q,3、L_q,4和L_q,5，且L_q,1≤L_q,2≤L_q,3≤L_q,4≤L_q,5；

由于拍摄图像中可能存在干扰，使得提取的轮廓线个数大于五个或是未拍摄到合作目标，因而需进行形状约束判断。由于本发明采用5个大小、形状和功率均完全相同的加热电炉1构成所述热红外着舰合作目标，因而成像中5个加热电炉1的形状及大小均较为接近。因而，按照步骤20421至步骤20422所述的方法，对满足距离约束条件的所述候选合作目标图像进行形状约束判断后，满足形状约束条件的所述候选合作目标图像便为所要检测的合作目标(即所述热红外着舰合作目标)的图像，因而满足形状约束条件的所述候选合作目标图像为所述待匹配候选合作目标图像。然而，经形状约束判断后，检测出所述热红外着舰合作目标后，还有一项重要步骤就是如何将所述待匹配候选合作目标图像中的5个所述封闭轮廓线对应的电炉图像与实际中的5个所述加热电炉1的位置一一对应。为此，需引入位置约束判断进行准确匹配。

本实施例中，步骤2043中所述待匹配候选合作目标图像中的5个所述封闭轮廓线内的图像区域，分别为所述热红外着舰合作目标中五个所述加热电炉1的图像。

本实施例中，步骤2043中对所述待匹配候选合作目标图像进行位置约束判断时，包括以下步骤：

步骤20431、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，求取出所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点的像素坐标均值(u₀,v₀)；其中，u₀和v₀分别为所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点的横坐标均值和纵坐标均值；

步骤20432、从所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点中，找出与像素点A欧式距离最近的几何中心点，所找出的几何中心点标记为点A1，且点A1所处封闭轮廓线内的图像区域为所述第一电炉的图像；所述像素点A的像素坐标为(u₀,v₀)；

步骤20433、从所述待匹配候选合作目标图像中除点A1以外的其它4个所述封闭轮廓线的几何中心点中，找出与点A1距离最远的几何中心点，所找出的几何中心点标记为点A2，且点A2所处封闭轮廓线内的图像区域为所述第二电炉的图像；

步骤20434、从所述待匹配候选合作目标图像中除点A1和点A2以外的其它3个所述封闭轮廓线的几何中心点中，找出与点A2距离最远的几何中心点，所找出的几何中心点标记为点A3，且点A3所处封闭轮廓线内的图像区域为所述第三电炉的图像；

步骤20435、将所述待匹配候选合作目标图像中除点A1、点A2和点A3以外的其它2个所述封闭轮廓线的几何中心点，分别标记为点B和点C；再对点A2、点B和点C的纵坐标进行比较：当点B和点C的纵坐标均大于点A2的纵坐标时，对点B和点C的横坐标进行比较：当点B的横坐标小于点C的横坐标时，将点B记作点A4且将点C标记为点A5；否则，当点B的横坐标大于点C的横坐标时，将点C标记为点A4且将点B标记为点A5；反之，当点B和点C的纵坐标均小于点A2的纵坐标时，对点B和点C的横坐标进行比较：当点B的横坐标小于点C的横坐标时，将点C标记为点A4且将点B标记为点A5；否则，当点B的横坐标大于点C的横坐标时，将点B记作点A4且将点C标记为点A5；

其中，点A4所处封闭轮廓线内的图像区域为所述第四电炉的图像，点A5所处封闭轮廓线内的图像区域为所述第五电炉的图像。

本实施例中，步骤2043中所述热红外着舰合作目标中五个所述加热电炉1的位置关系包括五个所述加热电炉1的布设位置和相邻两个所述加热电炉1之间的间距。

由于所述热红外着舰合作目标中，中心处的加热电炉1的编号为“1#”，即第一电炉为1#电炉；与1#电炉距离最远的加热电炉1的编号为“2#”，即第二电炉为2#电炉；与2#电炉距离最远的加热电炉1的编号为“3#”，即第三电炉为3#电炉；以2#电炉为起点，按顺时针方向其它2个加热电炉1的编号分别为“4#”和“5#”，因而第四电炉为4#电炉，第五电炉为5#电炉。

为计算方便，点B的像素坐标记作(u₂,v₂)，点C的像素坐标记作(u₃,v₃)；点A2的像素坐标记作(u₁,v₁)。

步骤20435中对点A2、点B和点C的纵坐标进行比较时，当v₁＜v₂且v₁＜v₃时，对u₂和u₃进行比较：当u₂＜u₃时，将点B记作点A4且将点C标记为点A5；否则，当u₂＞u₃时，将点C标记为点A4且将点B标记为点A5；

反之，当v₁＞v₂且v₁＞v₃时，对u₂和u₃进行比较：当u₂＜u₃时，将点C标记为点A4且将点B标记为点A5；否则，当u₂＞u₃时，将点B记作点A4且将点C标记为点A5。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (10)

1.一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于该方法包括以下步骤：

步骤一、合作目标图像获取：采用图像采集设备且按照预先设计的采样频率，获取着舰区域的图像，并将所获取图像同步传送至处理器进行处理；所获取图像中包含热红外着舰合作目标的图像；所述图像采集设备与所述处理器相接；

所述热红外着舰合作目标由五个布设在同一平面上的加热电炉(1)组成，五个所述加热电炉(1)的结构、尺寸和加热功率均相同；五个所述加热电炉(1)均包括电炉盘(1-1)和布设在电炉盘(1-1)上的红外线加热元件(1-2)，所述电炉盘(1-1)为圆形或正多边形；五个所述加热电炉分别为第一电炉以及分别布设于第一电炉正上方、正下方、左侧和右侧的第二电炉、第三电炉、第四电炉和第五电炉；所述第一电炉、第四电炉和第五电炉均布设在同一直线L1上，所述第一电炉、第二电炉和第三电炉均布设在同一直线L2上，所述直线L1与直线L2呈垂直布设；所述第三电炉、第四电炉和第五电炉与第一电炉之间的间距均为d，所述第二电炉与第一电炉之间的间距为(1.5～3)×d，其中d＝0.8m～1.2m；

步骤二、合作目标图像处理：采用所述处理器，同步对步骤一中各采样时刻所获取的图像分别进行处理，各采样时刻所获取图像的处理方法均相同；对任一个采样时刻所获取的图像进行处理时，过程如下：

步骤201、图像预处理：调用图像预处理模块，先将待处理图像转换为灰度图像，再对转换后的灰度图像进行中值滤波去噪，获得预处理后图像；

步骤202、基于显著性区域的图像分割：调用图像分割模块，对步骤201中所述预处理后图像进行图像显著性检测，并检测出所述预处理后图像中的图像显著性区域；再根据所检测出的图像显著性区域，对所述预处理后图像进行图像分割，获得候选合作目标图像；

步骤203、轮廓信息提取：调用轮廓提取模块，提取出步骤202中所述候选合作目标图像中的所有封闭轮廓线，并对各封闭轮廓线的轮廓信息进行提取；每个所述封闭轮廓线的轮廓信息均包括该封闭轮廓线的长度和几何中心点的像素坐标；

所述候选合作目标图像中所述封闭轮廓线的总数量记作N；N个所述封闭轮廓线中第i个所述封闭轮廓线的长度记作L_i，其中L_i为第i个所述封闭轮廓线的长度，第i个所述封闭轮廓线的几何中心点的像素坐标记作(u_i,v_i)；其中，i为正整数且i＝1、2、…、N；

步骤204、热红外合作目标检测及匹配：调用三重约束检测模块，从步骤202中所述候选合作目标图像中检测并匹配出所述热红外合作目标，包括以下步骤：

步骤2041、距离约束：调用距离约束模块，对个待分析图像组分别进行距离约束判断，并从个所述待分析图像组找出所有满足距离约束条件的待分析图像组；所找出的满足距离约束条件的待分析图像组的总数量记作Q，每个满足距离约束条件的待分析图像组均为一个候选合作目标图像区域；步骤203中N个所述封闭轮廓线中的任意5个所述封闭轮廓线组成一个所述待分析图像组，每个所述待分析图像组中均包括步骤203中N个所述封闭轮廓线中的5个所述封闭轮廓线；

个所述待分析图像组的距离约束判断方法均相同；对个所述待分析图像组中第k个所述待分析图像组进行距离约束判断时，根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，判断该待分析图像组中5个所述封闭轮廓线的几何中心点之间的欧式距离是否与所述热红外着舰合作目标中五个所述加热电炉(1)之间的距离一致：当判断出该待分析图像组中5个所述封闭轮廓线的几何中心点之间的欧式距离与所述热红外着舰合作目标中五个所述加热电炉(1)之间的距离一致时，说明第k个所述待分析图像组为满足距离约束条件的待分析图像组；其中，k为正整数且k＝1、2、…、

步骤2042、形状约束：调用距离约束模块，对步骤2041中找出的Q个所述候选合作目标图像区域分别进行形状约束判断，并从Q个所述候选合作目标图像区域中找出满足形状约束条件的候选合作目标图像区域；所找出的满足形状约束条件的候选合作目标图像区域为待匹配候选合作目标图像；

Q个所述候选合作目标图像区域的形状约束判断均相同；对Q个所述候选合作目标图像区域中第q个所述候选合作目标图像区域进行形状约束判断时，根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，判断该候选合作目标图像区域中5个所述封闭轮廓线的长度是否与所述热红外着舰合作目标中五个所述加热电炉(1)的外轮廓线长度一致：当判断出该候选合作目标图像区域中5个所述封闭轮廓线的长度与所述热红外着舰合作目标中五个所述加热电炉(1)的外轮廓线长度一致时，说明第q个所述候选合作目标图像区域为满足形状约束条件的候选合作目标图像区域；其中，q为正整数且q＝1、2、…、Q；

步骤2043、位置约束：调用位置约束模块且根据所述热红外着舰合作目标中五个所述加热电炉(1)的位置关系，对步骤2042中所述的待匹配候选合作目标图像进行位置约束判断，将所述待匹配候选合作目标图像中的5个所述封闭轮廓线内的图像区域分别与所述热红外着舰合作目标中五个所述加热电炉(1)进行一一匹配。

2.按照权利要求1所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤一中五个所述加热电炉(1)均布设在同一个平板(2)上。

3.按照权利要求1或2所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤一中所述电炉盘(1-1)为圆形且其直径为20cm～50cm；所述图像采集设备为波长为8微米～12微米的热红外相机。

4.按照权利要求1或2所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤2041中对个所述待分析图像组中第k个所述待分析图像组进行距离约束判断时，包括以下步骤：

步骤20411、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，求取出第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点的像素坐标均值(u_k,v_k)；其中，k为正整数且＝1、2、…、u_k和v_k分别为第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点的横坐标均值和纵坐标均值；

步骤20412、从第k个所述待分析图像组中5个所述封闭轮廓线的几何中心点中，找出与像素点K欧式距离最近的几何中心点；所找出的几何中心点记作点A_k；所述像素点K的像素坐标为(u_k,v_k)；

步骤20413、对点A_k与第k个所述待分析图像组中其它4个所述封闭轮廓线的几何中心点之间的欧式距离分别进行计算，并对计算得出的4个欧式距离从小到大进行排序；排序后的4个所述欧式距离分别记作d_k1、d_k2、d_k3和d_k4，且d_k1≤d_k2≤d_k3≤d_k4；

步骤20414、判断步骤20413中所述的d_k1、d_k2、d_k3和d_k4，是否满足公式并且，当d_k1、d_k2、d_k3和d_k4满足公式(1)时，说明第k个所述待分析图像组为满足距离约束条件的待分析图像组。

5.按照权利要求1或2所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤2042中对Q个所述候选合作目标图像中第q个所述候选合作目标图像进行形状约束判断时，包括以下步骤：

步骤20421、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，将第q个所述候选合作目标图像中5个所述封闭轮廓线的长度从小到大进行排序；排序后的5个所述封闭轮廓线的长度分别记作L_q,1、L_q,2、L_q,3、L_q,4和L_q,5，且L_q,1≤L_q,2≤L_q,3≤L_q,4≤L_q,5；

步骤20422、判断步骤20421中所述的L_q,1、L_q,2、L_q,3、L_q,4和L_q,5，是否满足公式并且，当L_q,1、L_q,2、L_q,3、L_q,4和L_q,5满足公式(2)时，说明第q个所述候选合作目标图像为满足形状约束条件的候选合作目标图像。

6.按照权利要求1或2所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤2043中所述待匹配候选合作目标图像中的5个所述封闭轮廓线内的图像区域，分别为所述热红外着舰合作目标中五个所述加热电炉(1)的图像。

7.按照权利要求1或2所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤2043中对所述待匹配候选合作目标图像进行位置约束判断时，包括以下步骤：

步骤20431、根据步骤203中提取出的每个所述封闭轮廓线的轮廓信息，求取出所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点的像素坐标均值(u₀,v₀)；其中，u₀和v₀分别为所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点的横坐标均值和纵坐标均值；

步骤20432、从所述待匹配候选合作目标图像中5个所述封闭轮廓线的几何中心点中，找出与像素点A欧式距离最近的几何中心点，所找出的几何中心点标记为点A1，且点A1所处封闭轮廓线内的图像区域为所述第一电炉的图像；所述像素点A的像素坐标为(u₀,v₀)；

步骤20433、从所述待匹配候选合作目标图像中除点A1以外的其它4个所述封闭轮廓线的几何中心点中，找出与点A1距离最远的几何中心点，所找出的几何中心点标记为点A2，且点A2所处封闭轮廓线内的图像区域为所述第二电炉的图像；

步骤20434、从所述待匹配候选合作目标图像中除点A1和点A2以外的其它3个所述封闭轮廓线的几何中心点中，找出与点A2距离最远的几何中心点，所找出的几何中心点标记为点A3，且点A3所处封闭轮廓线内的图像区域为所述第三电炉的图像；

步骤20435、将所述待匹配候选合作目标图像中除点A1、点A2和点A3以外的其它2个所述封闭轮廓线的几何中心点，分别标记为点B和点C；再对点A2、点B和点C的纵坐标进行比较：当点B和点C的纵坐标均大于点A2的纵坐标时，对点B和点C的横坐标进行比较：当点B的横坐标小于点C的横坐标时，将点B记作点A4且将点C标记为点A5；否则，当点B的横坐标大于点C的横坐标时，将点C标记为点A4且将点B标记为点A5；反之，当点B和点C的纵坐标均小于点A2的纵坐标时，对点B和点C的横坐标进行比较：当点B的横坐标小于点C的横坐标时，将点C标记为点A4且将点B标记为点A5；否则，当点B的横坐标大于点C的横坐标时，将点B记作点A4且将点C标记为点A5；

其中，点A4所处封闭轮廓线内的图像区域为所述第四电炉的图像，点A5所处封闭轮廓线内的图像区域为所述第五电炉的图像。

8.按照权利要求1或2所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤2043中所述热红外着舰合作目标中五个所述加热电炉(1)的位置关系包括五个所述加热电炉(1)的布设位置和相邻两个所述加热电炉(1)之间的间距。

9.按照权利要求1或2所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤203中每个所述封闭轮廓线的轮廓信息还包括位于该封闭轮廓线上的像素点总数量和位于该封闭轮廓线上的各像素点的像素坐标；

其中，位于第i个所述封闭轮廓线上的第j个像素点的像素坐标记作A_i(u_j,v_j)；其中，j为正整数且j＝1、2、…、L_i。

10.按照权利要求1或2所述的一种无人机全天候着舰合作目标鲁棒检测及匹配方法，其特征在于：步骤201中所述预处理后图像记作I(u,v)；

步骤202中进行基于显著性区域的图像分割时，包括以下步骤：

步骤2021、幅值谱和相位谱求取：对所述预处理后图像I(u,v)进行二维离散傅里叶变换，得到所述预处理后图像I(u,v)的幅值谱A(f)和相位谱P(f)，并求取幅值谱A(f)的log谱L(f)；其中，A(f)＝|F[I_a(u,v)]|，L(f)＝ln(A(f))；F[]为二维离散傅里叶变换，| |为求取幅值，为求取相位；

步骤2022、谱残差计算：根据公式R(f)＝L(f)-h_n(f)*L(f)(3)，求取所述预处理后图像I(u,v)的谱残差R(f)；公式(3)中，*为卷积，h_n(f)为一个n×n的方阵且其中，n为正整数且n≥3；

步骤2023、显著图生成：根据公式S(x)＝|F^-1[exp(R(f)+P(f))]²| (4)，生成所述预处理后图像I(u,v)的显著图S(x)；公式(4)中，F^-1[]为求取二维离散傅里叶逆变换；

步骤2024、候选合作目标图像确定：根据公式 对显著图S(x)进行图像分割，获得候选合作目标图像O(x)；公式(5)中，Thresh为图像分割判断阈值且Thresh＝c×E(S(x))，E()为求取均值；其中c＝2～3。