CN108446581A - 一种恶劣环境中的无人机检测方法 - Google Patents
一种恶劣环境中的无人机检测方法 Download PDFInfo
- Publication number
- CN108446581A CN108446581A CN201810057554.3A CN201810057554A CN108446581A CN 108446581 A CN108446581 A CN 108446581A CN 201810057554 A CN201810057554 A CN 201810057554A CN 108446581 A CN108446581 A CN 108446581A
- Authority
- CN
- China
- Prior art keywords
- image
- unmanned plane
- frame
- carried out
- background
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明提供了一种恶劣环境中的无人机检测方法:利用相机采集恶劣环境中有无人机的视频,处理视频并获得N帧图像;根据所有图像进行背景建模,得到背景模型;利用背景模型,将N帧图像进行进行背景分割处理,得到去除背景模型的图像,再通过对前后两幅图像的目标之间的欧氏距离比较和置信度设定识别图像中的无人机。本发明通过图像处理的手段检测无人机,使人们能更加快捷方便地发现无人机,并迅速作出相应的处理。
Description
技术领域
本发明属于无人机检测技术领域,具体涉及一种恶劣环境中的无人机检测方法。
背景技术
近年来,随着无人机技术的发展,其应用也逐步从学者的研究扩大到电影拍摄、大型活动拍摄以及房地产等商业领域。为了迎合市场,民用无人机迅猛发展,购买无人机的用户也成倍增多,但是无人机会给机场等地带来安全隐患,尤其是在恶劣环境(比如雾天等)下,隐患更大。而用户却鲜少关心,尽管国家规定禁飞区域,却依然有人不遵守规定。
虽然国家已经出台无人机监管措施,但是这些监管措施都不太容易具体实施,而在恶劣环境下,检测无人机的难度会更大,传统的检测算法无法准确检测到恶劣环境中的无人机,所以必须研究在恶劣环境中无人机检测的算法及应用,也可为之后做无人机的追踪等操作提供依据。
发明内容
为了解决上述技术问题,本发明提供了一种恶劣环境中的无人机检测方法,能够自动检测无人机,能及时发现“有害”无人机,消除安全隐患,
实施本发明的技术方案如下:
一种恶劣环境中的无人机检测方法,具体步骤为:
步骤1、利用相机采集恶劣环境中有无人机的视频,处理视频并获得N帧图像;
步骤2、利用步骤1中得到的所有图像进行背景建模,得到背景模型;
步骤3、利用步骤2中获得的背景模型,将步骤1中得到的所有图像进行背景分割处理,得到去除背景模型的图像,再通过对前后两幅图像的目标之间的欧氏距离比较和置信度设定识别图像中的无人机。
进一步的,步骤2具体为:
第1步:设参数i的初始值为1;
第2步:对第i帧和第i+1帧图像进行灰度化处理;
第3步:对第2步处理后的图像进行帧差处理,即用第i帧图像减去第i+1帧图像得到帧差图像;
第4步:对第3步处理后的帧差图像进行二值化处理,得到二值化图像,即利用自动分割阈值算法得到二值化阈值,将帧差图像中灰度大于二值化阈值的像素值置为1,否则置0;
第5步:对第4步处理后的二值化图像进行形态学腐蚀和形态学膨胀,得到1幅背景图;
第6步:将i的数值加1后,判断i的数值:
若i等于N-1,则跳转到第7步,此时已得到N-1幅背景图;
若i小于N-1,则跳转到第2步;
第7步:计算背景图中某一位置像素点在N-1幅背景图中的像素值之和,记为该位置像素点的像素和值,将所述像素和值与比较阈值进行比较,若大于比较阈值,则该像素点被判定为背景,否则舍弃该像素点,用此方法判断背景图中所有位置的像素点,最终可以获得背景模型,其中所述比较阈值为N*0.5。
进一步的,步骤3具体为:
第1步:设参数j的初始值为1;
第2步:对第j帧和第j+1帧图像进行灰度化处理;
第3步:利用步骤2得到的背景模型,分别对第j帧和第j+1帧图像进行背景分割,得到去除背景模型的两幅图像;
第4步:对第3步处理后的图像进行帧差处理,即用第j帧图像减去第j+1帧图像得到帧差图像;
第5步:对第4步处理后的帧差图像进行二值化处理,得到二值化图像;
第6步:对第5步处理后的二值化图像进行形态学腐蚀和形态学膨胀;
第7步:对第6步处理后的图像提取连通域,根据设定的尺寸阈值从图像中剔出不符合要求的连通域;
第8步:对第7步处理后的图像进行连通域合并,得到1幅目标图;
第9步:将j的数值加1后,判断j的数值:
若j等于N-1,则跳转到第10步,此时已得到N-1幅目标图;
若j小于N-1,则跳转到第2步;
第10步:依次两两比较N-1幅目标图,若目标在相邻两幅图像里均存在,且在两幅图像中的欧氏距离小于比较阈值时,可判断两幅图像中的目标为同一个目标,否则不是同一个目标;当同一个目标出现1次,置信度对应加1,当置信度为3时才判定为无人机目标,其中置信度初始值为0。
有效益处
本发明提供的一种恶劣环境中的无人机检测方法,和现有技术相比,其优点在于:
1)本发明通过图像处理检测恶劣环境中的无人机,可为检查发现进入禁飞区域的无人机提供一种选择方法,提高了具体措施实施的实现性;
2)本发明通过对背景建模,得到背景模型,使得能够在图像中更准确地检测到无人机,为跟踪无人机提供依据。
3)本发明通过对前后两幅图像的目标之间的欧氏距离比较和置信度设定,更加准确的检测到无人机。
附图说明
图1为本发明流程图;
图2为背景模型;
图3为相机拍摄的无人机场景;
图4为图像的灰度图;
图5为帧差图;
图6为二值图;
图7为腐蚀膨胀图;
图8为检测到的目标。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
随着无人机行业的迅速发展扩张,对无人机的管理也成为一大难题,本发明提供的一种恶劣环境中的无人机检测方法,能利用图像处理的手段检测无人机,使得人们更加快捷方便地发现无人机,并迅速作出相应的处理:
一种恶劣环境中的无人机检测方法,参照图1的流程图,以实际场景中飞行的无人机为例,进行实验,具体实施步骤如下:
步骤一:利用相机采集含有无人机场景的视频,处理视频并获得N帧图像,每帧图像尺寸1080×720像素以上,其中第一帧和第二帧图像,如图3所示;
步骤二:利用步骤一处理后的所有图像进行背景建模:
第1步:设参数i的初始值为1;
第2步:对第i帧和第i+1帧图像进行灰度化处理,如图4所示;
第3步:对第2步处理后的图像进行帧差处理,即用第i帧图像减去第i+1帧图像得到帧差图像;
第4步:对第3步处理后的帧差图像进行二值化处理,得到二值化图像,即利用自动分割阈值算法得到二值化阈值,将帧差图像中灰度大于二值化阈值的像素值置为1,否则置0;
第5步:对第4步处理后的二值化图像进行形态学腐蚀和形态学膨胀,得到1幅背景图;
第6步:将i的数值加1后,判断i的数值:
若i等于N-1,则跳转到第7步,此时已得到N-1幅背景图;
若i小于N-1,则跳转到第2步;
第7步:计算背景图中某一位置像素点在N-1幅背景图中的像素值之和,记为该位置像素点的像素和值,将所述像素和值与比较阈值进行比较,若大于比较阈值,则该像素点被判定为背景,否则舍弃该像素点,用此方法判断背景图中所有位置的像素点,最终可以获得背景模型,其中所述比较阈值为N*0.5,如图2所示。
步骤三:利用步骤二的到背景模型,检测场景中的无人机目标:
第1步:设参数j的初始值为1;
第2步:对第j帧和第j+1帧图像进行灰度化处理,如图4所示;
第3步:为去掉背景干扰,利用步骤2得到的背景模型,分别对第j帧和第j+1帧图像进行背景分割,得到去除背景模型的两幅图像;
第4步:对第3步处理后的图像进行帧差处理,即用第j帧图像减去第j+1帧图像得到帧差图像,如图5所示;
第5步:对第4步处理后的帧差图像进行二值化处理,得到二值化图像,如图6所示;
第6步:对第5步处理后的二值化图像进行形态学腐蚀和形态学膨胀,去掉噪声的影响,如图7所示;
第7步:对第6步处理后的图像提取连通域,根据尺寸筛选目标,去除虚警;
第8步:对第7步处理后的图像进行连通域合并处理,该处理可防止在某些情况下进行帧差处理后一个目标被分成两个的情况,处理后得到1幅目标图;
第9步:将j的数值加1后,判断j的数值:
若j等于N-1,则跳转到第10步,此时已得到N-1幅目标图;
若j小于N-1,则跳转到第2步;
第10步:依次两两比较N-1幅目标图,若目标在相邻两幅图像里均存在,且在两幅图像中的欧氏距离小于比较阈值时,可判断两幅图像中的目标为同一个目标,否则不是同一个目标;当同一个目标出现1次,置信度对应加1,当置信度为3时才判定为无人机目标,其中置信度初始值为0,如图8所示。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种恶劣环境中的无人机检测方法,其特征在于,具体过程为:
步骤1、利用相机采集恶劣环境中有无人机的视频,处理视频并获得N帧图像;
步骤2、利用步骤1中得到的所有图像进行背景建模,得到背景模型;
步骤3、利用步骤2中获得的背景模型,将步骤1中得到的所有图像进行背景分割处理,得到去除背景模型的图像,再通过对前后两幅图像的目标之间的欧氏距离比较和置信度设定识别图像中的无人机。
2.根据权利1所述的一种恶劣环境中的无人机检测方法,其特征在于,步骤2具体为:
第1步:设参数i的初始值为1;
第2步:对第i帧和第i+1帧图像进行灰度化处理;
第3步:对第2步处理后的图像进行帧差处理,即用第i帧图像减去第i+1帧图像得到帧差图像;
第4步:对第3步处理后的帧差图像进行二值化处理,得到二值化图像,即利用自动分割阈值算法得到二值化阈值,将帧差图像中灰度大于二值化阈值的像素值置为1,否则置0;
第5步:对第4步处理后的二值化图像进行形态学腐蚀和形态学膨胀,得到1幅背景图;
第6步:将i的数值加1后,判断i的数值:
若i等于N-1,则跳转到第7步,此时已得到N-1幅背景图;
若i小于N-1,则跳转到第2步;
第7步:计算背景图中某一位置像素点在N-1幅背景图中的像素值之和,记为该位置像素点的像素和值,将所述像素和值与比较阈值进行比较,若大于比较阈值,则该像素点被判定为背景,否则舍弃该像素点,用此方法判断背景图中所有位置的像素点,最终可以获得背景模型,其中所述比较阈值为N*0.5。
3.根据权利1所述的一种恶劣环境中的无人机检测方法,其特征在于,步骤3具体为:
第1步:设参数j的初始值为1;
第2步:对第j帧和第j+1帧图像进行灰度化处理;
第3步:利用步骤2得到的背景模型,分别对第j帧和第j+1帧图像进行背景分割处理,得到去除背景模型的两幅图像;
第4步:对第3步处理后的图像进行帧差处理,即用第j帧图像减去第j+1帧图像得到帧差图像;
第5步:对第4步处理后的帧差图像进行二值化处理,得到二值化图像;
第6步:对第5步处理后的二值化图像进行形态学腐蚀和形态学膨胀;
第7步:对第6步处理后的图像提取连通域,根据设定的尺寸阈值从图像中剔出不符合要求的连通域;
第8步:对第7步处理后的图像进行连通域合并,得到1幅目标图;
第9步:将j的数值加1后,判断j的数值:
若j等于N-1,则跳转到第10步,此时已得到N-1幅目标图;
若j小于N-1,则跳转到第2步;
第10步:依次两两比较N-1幅目标图,若目标在相邻两幅图像里均存在,且在两幅图像中的欧氏距离小于比较阈值时,可判断两幅图像中的目标为同一个目标,否则不是同一个目标;当同一个目标出现1次,置信度对应加1,当置信度为3时才判定为无人机目标,其中置信度初始值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810057554.3A CN108446581B (zh) | 2018-01-22 | 2018-01-22 | 一种恶劣环境中的无人机检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810057554.3A CN108446581B (zh) | 2018-01-22 | 2018-01-22 | 一种恶劣环境中的无人机检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446581A true CN108446581A (zh) | 2018-08-24 |
CN108446581B CN108446581B (zh) | 2022-07-19 |
Family
ID=63191027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810057554.3A Active CN108446581B (zh) | 2018-01-22 | 2018-01-22 | 一种恶劣环境中的无人机检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446581B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636771A (zh) * | 2018-10-23 | 2019-04-16 | 中国船舶重工集团公司第七0九研究所 | 基于图像处理的飞行目标检测方法及系统 |
CN110490050A (zh) * | 2019-07-02 | 2019-11-22 | 北京迈格威科技有限公司 | 一种人脸识别方法、装置、系统及存储介质 |
CN111311640A (zh) * | 2020-02-21 | 2020-06-19 | 中国电子科技集团公司第五十四研究所 | 一种基于运动估计的无人机识别跟踪方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201934A (zh) * | 2006-12-15 | 2008-06-18 | 财团法人工业技术研究院 | 视频对象分段方法 |
CN101261681A (zh) * | 2008-03-31 | 2008-09-10 | 北京中星微电子有限公司 | 智能视频监控中的路面图像提取方法及装置 |
US20120154579A1 (en) * | 2010-12-20 | 2012-06-21 | International Business Machines Corporation | Detection and Tracking of Moving Objects |
CN104616290A (zh) * | 2015-01-14 | 2015-05-13 | 合肥工业大学 | 一种统计矩阵模型和自适应阈值相结合的目标检测算法 |
CN104700430A (zh) * | 2014-10-05 | 2015-06-10 | 安徽工程大学 | 机载显示器的运动检测方法 |
CN105809715A (zh) * | 2016-03-07 | 2016-07-27 | 南京航空航天大学 | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 |
CN106205217A (zh) * | 2016-06-24 | 2016-12-07 | 华中科技大学 | 基于机器视觉的无人机自动检测方法及无人机管制方法 |
-
2018
- 2018-01-22 CN CN201810057554.3A patent/CN108446581B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201934A (zh) * | 2006-12-15 | 2008-06-18 | 财团法人工业技术研究院 | 视频对象分段方法 |
CN101261681A (zh) * | 2008-03-31 | 2008-09-10 | 北京中星微电子有限公司 | 智能视频监控中的路面图像提取方法及装置 |
US20120154579A1 (en) * | 2010-12-20 | 2012-06-21 | International Business Machines Corporation | Detection and Tracking of Moving Objects |
CN104700430A (zh) * | 2014-10-05 | 2015-06-10 | 安徽工程大学 | 机载显示器的运动检测方法 |
CN104616290A (zh) * | 2015-01-14 | 2015-05-13 | 合肥工业大学 | 一种统计矩阵模型和自适应阈值相结合的目标检测算法 |
CN105809715A (zh) * | 2016-03-07 | 2016-07-27 | 南京航空航天大学 | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 |
CN106205217A (zh) * | 2016-06-24 | 2016-12-07 | 华中科技大学 | 基于机器视觉的无人机自动检测方法及无人机管制方法 |
Non-Patent Citations (3)
Title |
---|
JING LI 等: "Multi-Target Detection and Tracking from a Single Camera in Unmanned Aerial Vehicles (UAVs)", 《2016 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》 * |
WANG XINGDE 等: "Model identification of the actuator based on image", 《JOURNAL OF AUTOMATION AND CONTROL ENGINEERING》 * |
李毅 等: "一种改进的帧差和背景减相结合的运动检测方法", 《中国图象图形学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636771A (zh) * | 2018-10-23 | 2019-04-16 | 中国船舶重工集团公司第七0九研究所 | 基于图像处理的飞行目标检测方法及系统 |
CN109636771B (zh) * | 2018-10-23 | 2021-09-03 | 中国船舶重工集团公司第七0九研究所 | 基于图像处理的飞行目标检测方法及系统 |
CN110490050A (zh) * | 2019-07-02 | 2019-11-22 | 北京迈格威科技有限公司 | 一种人脸识别方法、装置、系统及存储介质 |
CN111311640A (zh) * | 2020-02-21 | 2020-06-19 | 中国电子科技集团公司第五十四研究所 | 一种基于运动估计的无人机识别跟踪方法 |
CN111311640B (zh) * | 2020-02-21 | 2022-11-01 | 中国电子科技集团公司第五十四研究所 | 一种基于运动估计的无人机识别跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108446581B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
CN103198493B (zh) | 一种基于多特征自适应融合和在线学习的目标跟踪方法 | |
CN111325769B (zh) | 一种目标对象检测方法及装置 | |
CN103605983B (zh) | 一种遗留物检测和跟踪方法 | |
CN104408406B (zh) | 基于帧差法和减背景法的人员离岗检测方法 | |
CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
Kortli et al. | A novel illumination-invariant lane detection system | |
CN105374049B (zh) | 一种基于稀疏光流法的多角点跟踪方法及装置 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN103810696B (zh) | 一种目标对象图像检测方法及装置 | |
CN113743260B (zh) | 一种地铁站台密集人流情况下的行人跟踪方法 | |
CN105913455A (zh) | 基于局部图像增强的目标跟踪方法 | |
CN108446581A (zh) | 一种恶劣环境中的无人机检测方法 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN103605971A (zh) | 一种捕获人脸图像的方法及装置 | |
CN112597877A (zh) | 一种基于深度学习的厂区人员异常行为检测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN105893957A (zh) | 基于视觉湖面船只检测识别与跟踪方法 | |
CN104463104A (zh) | 一种静态车辆目标快速检测方法及装置 | |
CN101320477B (zh) | 一种人体跟踪方法及其设备 | |
CN107506753A (zh) | 一种面向动态视频监控的多车辆跟踪方法 | |
CN110580708B (zh) | 一种快速移动检测方法、装置及电子设备 | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |