CN106991413A - 一种无人机 - Google Patents

Abstract

本发明提供一种无人机，包括依次相连的摄像机子系统、飞行控制器、图像处理子系统、终端，摄像机子系统设置在无人机的机身上，摄像机子系统用于在飞行过程中实时拍摄目标图像；飞行控制器用于实时调整无人机的飞行姿态和摄像机子系统的拍摄模式，使得摄像机子系统对目标图像实现跟踪拍摄；图像处理子系统用于实时对目标图像进行处理，以识别出目标图像，得到识别结果，将识别结果通过终端显示出来。本发明的有益效果为：本发明提供一种无人机，首先通过摄像机子系统在飞行过程中实时拍摄目标图像，然后经图像处理子系统对目标图像进行处理，识别出目标图像，得到识别结果，最终经终端显示识别结果，生成高清图像。

Description

一种无人机

技术领域

本发明涉及无人机技术领域，具体涉及一种无人机。

背景技术

随着微电子技术和计算机视觉技术的不断发展，使得目标跟踪得以实时实现，尤其是将目标跟踪装置安装到无人机上，可以实现对目标的灵活动态跟踪，在地图测绘、森林勘测、抢险救灾、物流快递、高空拍摄等领域具有较高的使用价值。传统无人机的目标跟踪技术中，通常使用激光、雷达和超声等主动环境感知方法，其缺点为并不能直接获得目标的未知信息，并且多个无人机检测时会相互干扰，更为弊端的是在战场环境中隐蔽性差，被敌方发现的概率大的增加。

现有的无人机主要致力于增大航时，提高速度，隐身机体，缩小体积，高度智能，加载武器，增强传输可靠性和通用性，使无人机能够按照指令或者预先编制的程序来完成预定的作战任务。而现有的无人机上的相机一般无法实现目标跟踪拍摄的图像的高清处理识别等。

发明内容

针对上述问题，本发明提供一种无人机。

本发明的目的采用以下技术方案来实现：

提供了一种无人机，包括摄像机子系统、飞行控制器、图像处理子系统、终端；摄像机子系统设置在所述无人机的机身上，所述摄像机子系统用于在飞行过程中实时拍摄目标图像；所述飞行控制器用于实时调整所述无人机的飞行姿态和所述摄像机子系统的拍摄模式，使得所述摄像机子系统对所述目标图像实现跟踪拍摄；所述图像处理子系统用于实时对所述目标图像进行处理，以识别出目标图像，得到识别结果，将所述识别结果通过所述终端显示出来。

本发明的有益效果为：本发明提供一种无人机，首先通过摄像机子系统在飞行过程中实时拍摄目标图像，然后通过图像处理子系统对目标图像进行处理，识别出目标图像，得到识别结果，最终经过终端显示识别结果，生成高清的图像。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1本发明的结构连接框图；

图2是本发明图像处理子系统的结构连接框图；

图3是本发明图像压缩模块的结构连接框图。

附图标记：

摄像机子系统1、飞行控制器2、图像处理子系统3、终端4、图像预处理模块301、图像压缩模块302、图像特征提取模块303、图像识别模块304、图像数据库305、目标特征区域提取单元3021和目标特征区域压缩单元3022。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供了一种无人机，其特征是，包括依次相连的摄像机子系统1、飞行控制器2、图像处理子系统3、终端4，所述摄像机子系统1设置在所述无人机的机身上；所述摄像机子系统1用于在飞行过程中实时拍摄目标图像；所述飞行控制器2用于实时调整所述无人机的飞行姿态和所述摄像机子系统的拍摄模式，使得所述摄像机子系统对所述目标图像实现跟踪拍摄；所述图像处理子系统3用于实时对所述目标图像进行处理，以识别出目标图像，得到识别结果，将所述识别结果通过所述终端4显示出来。

优选地，所述摄像机子系统1包括多个摄像头，所述摄像头均匀布置在所述机身周围，且位于同一水平面上。

优选地，所述摄像头为广角镜头。

本发明上述实施例是一种无人机，首先能够在飞行过程中实时拍摄目标图像，然后对目标图像进行处理，识别处目标图像，最终经过终端显示生成高清的图像。

优选地，参照图2，所述图像处理子系统3包括依次相连的图像预处理模块301、图像压缩模块302、图像特征提取模块303、图像识别模块304、图像数据库305；所述图像预处理模块301用于对拍摄的所述目标图像进行预处理，得到预处理的目标图像；所述图像压缩模块302用于对所述预处理的目标图像进行压缩，得到压缩的目标图像；所述图像特征提取模块303用于对所述压缩的目标图像进行特征提取，得到目标图像的特征；所述图像识别模块304用于将所述目标图像的特征向量与所述图像数据库305中标准图像的特征向量进行相似度的比对，输出识别结果，将所述识别结果通过所述终端4显示出来。

优选地，所述图像预处理模块301用于对拍摄的所述目标图像进行预处理，得到预处理的目标图像，包括：

所述图像预处理模块用于对拍摄的所述目标图像通过自定义过滤函数进行光照和噪声的过滤处理，形成过滤后的目标图像，自定义过滤函数为：

式中，Y(i,j)为过滤后的目标图像中像素点(i,j)处的像素值，X(i,j)为过滤前目标图像中像素点(i,j)处的像素值，Z为高斯滤波器，*表示卷积操作。

本优选实施例，通过对拍摄的目标图像进行预处理，也就是对拍摄的目标图像通过预处理函数进行去光照和去噪声的预处理，能够提高后续对拍摄的目标图像的内在特征的提取，能够提高对图像的识别效率，从而提高后续的计算效率，减小后续系统的计算工作量，提高对图像的处理效率。

优选地，参照图3，所述图像压缩模块302包括依次相连接的目标特征区域提取单元3021和目标特征区域压缩单元3022；

所述目标特征区域提取单元用于对所述过滤后的目标图像进行目标特征区域的提取，包括：

(1)选定大小和形状均相同的搜索窗口和样板检测图，其中，所述搜索窗口和所述样板检测图的大小均为M×N；

(2)将所述搜索窗口叠放在所述过滤后的目标图像上并依次进行平移，形成多个实时测量子图，其中，所述实时测量子图为所述搜索窗口覆盖在所述过滤后的目标图像的区域，所述样板检测图的大小小于所述过滤后的目标图像的大小；

(3)依次计算各实时检测子图与所述样板检测图之间的各相似灰度值；定义相似灰度值的计算公式为：

式中，W^g为第g个所述实时检测子图与所述样板检测图之间的相似灰度值，G_a,b为所述样板检测图中坐标点(a,b)的灰度值，为第g个所述实时检测子图上坐标点(a,b)的灰度值；

(4)取出各相似灰度值中满足设定条件的相似灰度值，将所述满足设定条件的相似灰度值对应的所述实时测量子图取出来，将所述满足设定条件的相似灰度值对应的所述实时测量子图视为边缘图，其余视为背景图；其中，所述设定条件为相似灰度值大于设定的阈值；

(5)将所述边缘图进行拼接，从而得到所述目标区域。

本优选实施例，对预处理后的目标图像提取重点区域即目标区域而不需要对整个区域进行处理，有利于下一步针对目标区域进行相应的压缩编码处理，且不需对整个图像进行压缩，能够节省资源，同时能够达到对拍摄的目标图像高压缩比的目的，同时保持目标区域的信息，为节省后续对图像处理的时间、提高处理的效率奠定了坚实基础。

优选地，所述目标特征区域压缩单元3022用于对所述目标特征区域进行压缩，包括：

(1)对所述目标特征区域进行离散小波变换，得到相应的离散小波变换系数；

(2)对所述离散小波变换系数进行量化，得到量化后的离散小波变换系数；

(3)对所述量化后的离散小波变换系数进行熵编码，得到压缩的目标特征区域。

本优选实施例，通过对待识别人脸图像的目标区域进行离散小波变换的处理得到对应的离散小波变换系数，然后对离散小波变换系数进行量化，得到量化后的离散小波变换系数，最后对量化后的离散小波变换系数进行熵编码，来实现对待识别图像的目标区域的压缩，不仅方法简单、能够提高系统的计算效率，节约处理时间和系统空间，而且可以达到根据实际情况需要来进行图像压缩，有效节省资源，提高计算效率的效果。

另外，需要说明的是，对所述目标特征区域进行压缩的方法还可以是：

(1)将所述目标区域分成多个图像块；

(2)针对每一个图像块，按一维的方式重新排列，构成图像矢量；

(3)将所述图像矢量与码书中的码字进行比较，按照失真测度确定与所述图像矢量最匹配的码字；

(4)将所述最匹配的码字在所述码书中的索引值作为所述图像块的编码，其中，所述索引值以比特数表示。

本优选实施例，将图像分块，每一个图像块按一维的方式重新排列，就构成了一个图像矢量，然后将这些矢量与码书中的码字进行比较，按照某种失真测度找到最匹配的码字，最后将该码字在码书中的索引值作为该块的编码进行传输，由于索引值可用小的比特数表示，且可以进一步用变长编码来描述，因此可以获得较大的压缩率。另外，通过对目标区域的压缩，还可以看出，不仅能够提高系统的计算效率，节约处理时间和系统空间，而且还可以根据实际情况需要来进行图像压缩，进一步有效节省资源，提高计算效率，此外，还可以根据具体实施中的需要，有针对性地对图像的目标区域和背景区域进行压缩，有效提高后续针对不同的区域而进行特征提取的效率和正确率，同时可以看出，该系统具有很好的灵活性。

优选地，所述图像特征提取模块对压缩的目标区域进行特征提取，具体为：

优选地，所述图像识别模块用于将压缩的目标图像的特征向量与所述图像数据库中标准图像的特征向量进行相似度的比对，输出识别结果，将所述识别结果通过所述终端显示出来，具体包括：

所述图像识别模块用于将所述压缩的目标特征区域的特征与所述图像数据库中标准图像的特征进行相似度的比对，输出识别结果，将所述识别结果通过所述终端显示出来；

(1)采用下述公式提取所述压缩的目标特征区域的特征向量；

式中，S^v表示所述压缩的目标特征区域的特征向量，I_v表示所述压缩的目标特征区域的平均像素值，O×L表示所述压缩的目标特征区域的尺寸；

(2)采用下述公式提取所述图像数据库中标准图像的特征向量：

式中，S^u表示所述图像数据库中标准图像的特征向量，I_u表示所述图像数据库中标准图像的平均像素值，p×q表示所述图像数据库中标准图像的尺寸；

(3)计算所述压缩的目标特征区域的特征向量与各个标准图像的特征向量的相似度值，所述相似度值的计算公式为：

式中，表示所述压缩的目标特征区域的特征向量与第e个标准图像的特征向量的相似度值，为第一修正因子，norm(·)表示求范数，ΔA表示第二修正因子，表示所述图像数据库中第e个标准图像的特征向量，x表示所述图像数据库中标准图像的个数；

(4)若所述相似度值大于设定的阈值，则输出识别结果。

本优选实施例，根据压缩后的目标区域的特征向量和图像数据库中的各标准图像的特征向量的相似度来确定图像的类型，且在计算相似度时候加入了第一修正因子和第二修正因子，使计算出来的相似度结果更精准。在加入第一修正因子和第二修正因子来计算相似度的基础上，再去判断相似度与设定阈值的比较，最终确定出目标图像的类型，同时解决了当目标图像的目标特征区域与多个标准图像都相似的情况时，从多个标准图像中选取满足设定的阈值的标准图像为该图像的类型，从而使确定该目标图像类型过程更加细化，进而能够保证确定出的目标图像类型的正确性，提高了识别效率。

其中，具体实施中，该图像数据库的建立过程可以是：

(1)将采集的包括多张所述样本图像的样本图像集按照一定的比例分成训练集和测试集，并转化所述样本图像集中的所有样本图像的格式，形成转化格式后的样本图像集，同时将测试集中的样本图像进行正负标记，所述正标记为包括预定图像类型的样本图像，所述负标记为不包括预定图像类型的样本图像；

(2)对所述转化格式后的样本图像集进行归一化大小处理，形成归一化后的样本图像集，所述归一化后的样本图像集包括归一化后的训练集和归一化后的测试集；

(3)对所述归一化后的训练集进行特征提取，形成所述归一化后的训练集的特征向量；

其中，对归一化后的训练集进行特征提取，具体包括以下步骤：

a.针对训练集中的每一张样本图像，将样本图像分割成多个子图像块；

b.提取各子图像块的特征，形成各子图像块的特征向量，按如下公式进行特征提取：

式中，μ_i为第i个样本图像的灰度均值，δ_i为第i个样本图像块的灰度方差值，M为子图像块的个数，x_m为第i个样本图像的第m个子图像块的灰度值的分量值；

c.将各子图像块的特征向量进行整合，形成该样本图像的特征向量F，即F＝(μ_i,δ_i；i＝1,2,…,N)，N为样本图像的个数；

(4)将所述归一化的训练集的特征向量作为支撑向量机分类器的输入，输入到支撑向量机分类器中进行迭代训练，训练出特征提取模型，并利用该特征提取模型测出所述归一化的测试集中的样本图像的正负样本图像结果；

(5)根据所述负样本图像结果不断更新所述特征提取模型，形成更新特征提取模型；

(6)将各样本图像输入到所述更新特征提取模型中，得到所述样本图像库。

另外，对压缩的目标区域进行特征提取除了上述的方法外，还可以基于局部结构分解的图像特征提取((Local structure based imageDecomposition，IDLS)的方法进行特征提取，生成所述压缩的目标区域的特征向量。

本优选实施例，通过对压缩的目标区域进行有针对性地特征提取，而不是对整个图像的区域进行特征提取，这样能够提高对图像特征提取的效率和正确性，同时能够有效节省图像处理的时间，降低特征提取的复杂度和节约系统资源。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种无人机，其特征是，包括依次相连的摄像机子系统、飞行控制器、图像处理子系统、终端；摄像机子系统设置在所述无人机的机身上，所述摄像机子系统用于在飞行过程中实时拍摄目标图像；所述飞行控制器用于实时调整所述无人机的飞行姿态和所述摄像机子系统的拍摄模式，使得所述摄像机子系统对所述目标图像实现跟踪拍摄；所述图像处理子系统用于实时对所述目标图像进行处理，以识别出目标图像，得到识别结果，将所述识别结果通过所述终端显示出来。

2.根据权利要求1所述的一种无人机，其特征是，所述摄像机子系统包括多个摄像头，所述摄像头均匀布置在所述机身周围，且位于同一水平面上。

3.根据权利要求2所述的一种无人机，其特征是，所述摄像头为广角镜头。

4.根据权利要求1所述的一种无人机，其特征是，所述图像处理子系统包括依次相连的图像预处理模块、图像压缩模块、图像特征提取模块、图像识别模块、图像数据库；所述图像预处理模块用于对拍摄的所述目标图像进行预处理，得到预处理的目标图像；所述图像压缩模块用于对所述预处理的目标图像进行压缩，得到压缩的目标图像；所述图像特征提取模块用于对所述压缩的目标图像进行特征提取，得到目标图像的特征；所述图像识别模块用于将所述目标图像的特征与所述图像数据库中标准图像的特征进行相似度的比对，输出识别结果，将所述识别结果通过所述终端显示出来。

5.根据权利要求4所述的一种无人机，其特征是，所述图像预处理模块用于对拍摄的所述目标图像进行预处理，得到预处理的目标图像，包括：

所述图像预处理模块用于对拍摄的所述目标图像通过自定义过滤函数进行光照和噪声的过滤处理，形成过滤后的目标图像，自定义过滤函数为：

$Y(i,j)=log\left(\frac{X(i,j)}{Z*X(i,j)}\right)$

式中，Y(i,j)为过滤后的目标图像中像素点(i,j)处的像素值，X(i,j)为过滤前目标图像中像素点(i,j)处的像素值，Z为高斯滤波器，*表示卷积操作。

6.根据权利要求4所述的一种无人机，其特征是，所述图像压缩模块包括依次相连接的目标特征区域提取单元和目标特征区域压缩单元；

所述目标特征区域提取单元用于对所述过滤后的目标图像进行目标特征区域的提取，包括：

(1)选定大小和形状均相同的搜索窗口和样板检测图，其中，所述搜索窗口和所述样板检测图的大小均为M×N；

(2)将所述搜索窗口叠放在所述过滤后的目标图像上并依次进行平移，形成多个实时测量子图，其中，所述实时测量子图为所述搜索窗口覆盖在所述过滤后的目标图像的区域，所述样板检测图的大小小于所述过滤后的目标图像的大小；

(3)依次计算各实时检测子图与所述样板检测图之间的各相似灰度值；定义相似灰度值的计算公式为：

$W^g=\frac{{\mathrm{MN\Σ}}_{a=0}^M{\mathrm{\Σ}}_{b=0}^N{F}_{a,b}^g\×G_{a,b}-{\mathrm{\Σ}}_{a=0}^M{\mathrm{\Σ}}_{b=0}^N{F}_{a,b}^g\·{\mathrm{\Σ}}_{a=0}^M{\mathrm{\Σ}}_{b=0}^N{G}_{a,b}}{\sqrt{{\mathrm{\Σ}}_{a=0}^M{\mathrm{\Σ}}_{b=0}^N{\left(F_{a,b}^g\right)}^2{\left(G_{a,b}\right)}^2}}$

式中，W^g为第g个所述实时检测子图与所述样板检测图之间的相似灰度值，G_a,b为所述样板检测图中坐标点(a,b)的灰度值，为第g个所述实时检测子图上坐标点(a,b)的灰度值；

(4)取出各相似灰度值中满足设定条件的相似灰度值，将所述满足设定条件的相似灰度值对应的所述实时测量子图取出来，将所述满足设定条件的相似灰度值对应的所述实时测量子图视为边缘图，其余视为背景图；其中，所述设定条件为相似灰度值大于设定的阈值；

(5)将所述边缘图进行拼接，从而得到所述目标区域。

7.根据权利要求6所述的一种无人机，其特征是，所述目标特征区域压缩单元用于对所述目标特征区域进行压缩，包括：

(1)对所述目标特征区域进行离散小波变换，得到相应的离散小波变换系数；

(2)对所述离散小波变换系数进行量化，得到量化后的离散小波变换系数；

(3)对所述量化后的离散小波变换系数进行熵编码，得到压缩的目标特征区域。

8.根据权利要求7所述的一种无人机，其特征是，所述图像识别模块用于将所述目标图像的特征向量与所述图像数据库中标准图像的特征向量进行相似度的比对，输出识别结果，将所述识别结果通过所述终端显示出来，具体包括：

所述图像识别模块用于将所述压缩的目标特征区域的特征向量与所述图像数据库中标准图像的特征向量进行相似度的比对，输出识别结果，将所述识别结果通过所述终端显示出来；

(1)采用下述公式提取所述压缩的目标特征区域的特征向量；

式中，S^v表示所述压缩的目标特征区域的特征向量，I_v表示所述压缩的目标特征区域的平均像素值，O×L表示所述压缩的目标特征区域的尺寸；

(2)采用下述公式提取所述图像数据库中标准图像的特征向量：

式中，S^u表示所述图像数据库中标准图像的特征向量，I_u表示所述图像数据库中标准图像的平均像素值，p×q表示所述图像数据库中标准图像的尺寸；

(3)计算所述压缩的目标特征区域的特征向量与各个标准图像的特征向量的相似度值，所述相似度值的计算公式为：

${\hat{R}}_e=\frac{(D-1)\·norm\left(\sqrt{|S^v-S_e^u{|}^2}\right)}{D}+\mathrm{\Δ}A;e=1,2,...,x$

式中，表示所述压缩的目标特征区域的特征向量与第e个标准图像的特征向量的相似度值，为第一修正因子，norm(·)表示求范数，ΔA表示第二修正因子，表示所述图像数据库中第e个标准图像的特征向量，x表示所述图像数据库中标准图像的个数；

(4)若所述相似度值大于设定的阈值，则输出识别结果。