CN109767455A - 一种基于sift特征点的无人机检测方法及系统 - Google Patents
一种基于sift特征点的无人机检测方法及系统 Download PDFInfo
- Publication number
- CN109767455A CN109767455A CN201811569643.2A CN201811569643A CN109767455A CN 109767455 A CN109767455 A CN 109767455A CN 201811569643 A CN201811569643 A CN 201811569643A CN 109767455 A CN109767455 A CN 109767455A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic point
- unmanned plane
- follows
- point
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于sift特征点的无人机检测方法及系统，主要用于检测视频中是否存在无人机。其主要包括两个步骤：第一，判断视频中是否存在运动物体；第二，若视频中存在运动物体，则对视频的帧提取sift特征点，并使用KD树判断其是否属于无人机。判断视频是否存在运动物体的方法如下：首先从视频中提取连续的三帧图像，相邻帧间做差分运算，并将两幅图做“与”运算，得到结果图像；然后，使用ViBe方法检测运动物体，得到结果图像；最后，将以上两步得到的结果图像做“与”操作，即可判断视频中是否存在运动物体。若视频中有运动的物体，则判断运动物体是否为无人机，方法如下：首先，对判断为有运动物体的帧提取sift特征点；然后，使用KD树的分类方法对其进行判断，检测图像中是否有无人机。上述方法经过测试，可以有效地对视频中的无人机进行检测。
Description
技术领域
本发明涉及信号处理和图像处理领域，尤其涉及一种无人机的检测方法。
背景技术
近年来，随着微电子、自动化控制、单片机、地理遥感信息系统以及无线电通信技术的蓬勃发展，无人机开始向小型化、低成本化和民用化方向发展。无人机的快速发展在带来便利的同时也导致了一些问题，如“黑飞”“滥飞”，并且已经对人们的生活造成了一定的影响，对民航机场、雷达监测以及重大活动的安全保障带来了极大的安全隐患。无人机可能引起人伤物损、干扰航班飞行、测绘泄密以及被恐怖分子利用等危害，空域安全成为无人机监管的最大问题。因此，研发针对黑飞无人机的智能管控系统，对黑飞无人机采取强制手段，实时监测敏感区域中无人机使用情况十分迫切。
无人机是典型的低小慢物体，主要特点是飞行高度低，飞行速度慢，可探测的面积小，所以无人机不容易被侦查发现。无人机的上述特点意味着传统的空中探测方法已不适合使用，需要针对无人机的特点研发相应的无人机检测方法。因此，本专利提出一种基于sift特征点检测的无人机检测方法及系统，可以有效解决无人机的检测问题。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于sift特征点检测的无人机检测方法，可以有效检测无人机。
为了解决上述技术问题，本发明实施了一种基于sift特征点的无人机检测方法，所述方法包括：
视频分帧，检测是否存在运动物体；
若没有运动物体，则退出程序；
若存在运动物体，提取sift特征点；
使用KD树，判断是否为无人机。
优选地，视频分帧，检测是否存在运动物体，具体流程包括：
第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的平均值作为初始阈值T，并根据初始阈值将图像区分为前景和背景，前景和背景的像素数量分别为N1,N2，根据下式求得前景和背景的平均值，前景和背景的概率。
根据下式可以求得分割阈值TT.
TT＝a1a2(u1+u2)
第二，相邻两帧进行查分运算，并将差分获得的两幅图像根据第一步获取的阈值TT进行二值化，并将两幅二值化图像做与运算，如下所示。
Dk(x,y)＝Dk1(x,y)*Dk2(x,y)
第三，对从第二步获得的二值图像Dk(x,y)先进行形态学腐蚀再进行膨胀操作，通过这个步骤的操作，可以去除噪声，得到一个二值图像DLast1(x,y)。
第四，对图像帧中的每个像素点随机选择8个邻域的20个像素值，作为图像中此像素的样本集，检测新一帧图像时，求解检测图像中像素点与样本集之间的距离，如果距离小于设定的阈值的样本的数量大于数量阈值，则像素被分类成背景，否则被分类成前景。此方法成为ViBe方法，假设使用ViBe方法分类的二值图像为DLast2(x,y)。
第五，将用不同方法得到的两个二值图像DLast1(x,y)和DLast2(x,y)进行与运算。即最终的结果为Img可以表示为下式：
Img＝DLast1(x,y)*DLast2(x,y)
第六，将Img图像进行判断，如果此二值图像的连通域，大于设定阈值，则判定为图像有运动物体，否则判定为没有运动物体。
优选地，若没有运动物体，则退出程序：
因为本专利提出的方法主要用于检测无人机，无人机处于运动中，所以检测无人机时，先判断图像中是否存在运动物体，如果不存在运动物体，则说明图片中没有无人机，则不需要后续的判断，可以提高算法的效率。
优选地，若存在运动物体，提取sift特征点，具体流程如下：
提取图像的SIFT特征点，因为无人机在图像中可能会发生旋转、大小缩放、光照变化等情况，SIFT特征点可以保证系统的鲁棒性。
SITF特征点的确定如下所示：
(1)建立尺度空间。
利用高斯核函数建立尺度空间，则图像进行湿度变换可以表示为下式：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
其中，I(x,y)表示原图像，G(x,y,σ)表示高斯核函数，L(x,y,σ)表示尺度空间。高斯核函数可以表示如下所示：
其中，σ为尺度因子，决定了图像的平滑程度，尺度因子越大，则图像分辨率越低，表征图像的轮廓信息，尺度因子小，分辨率越高，表征图像的细节信息。
(2)建立高斯差分尺度金字塔。
为了保证检测到的特征点的稳定性，所以需要建立高斯差分尺度空间金字塔。对一幅图像建立不同尺度的图像，并对相邻两层做差分运算，构建完后对图像的长宽都进行减1/2的降采样，每层图像的差分运算表示如下所示：
D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)
(3)确立特征点。
建立完高斯差分金字塔后，检索每个像素同尺度的邻域与其上下两层是否为极大值或极小值，如果是，则判定为改尺度下的特征点。
(4)去除低对比度的点。
有第(3)步确定的点，稳定性还不够高，需要进一步删除对比度低的点，这些点对噪声很敏感。根据(12)式，可以求得极值点的位置如下所示：
将极值点可以判断，当小于0.3时，将其删除，不作为特征点。
(5)描述子的计算。
在筛选出稳定的特征点后，需要生成适当的描述子，梯度值和方向可表示为下式。
每个点的梯度值表示邻域的主方向，该方向作为特征点的方向。
在特征点对应的高斯平滑后的图像上求解描述子，每个特征点生成一个128维的特征向量。
优选地，使用KD树，判断是否为无人机：
使用基于主元素分析的KD树最邻近算法进行分类。
此方法的主要思想是分析数据各个维度对主成分的贡献率，并根据这个来构造KD树。具体流程如下：
(1)计算数据样本各个维度对主成分的贡献率。
贡献率的计算方法如下：
step1：计算数据之间的协方差，计算方法如下所示：
step2：构造样本数据的协方差矩阵Cx，
step3：计算写方差矩阵Cx的特征值和特征向量：假设协方差矩阵Cx的特征值从大到小排序为λ1,λ2,λ3,…,λn，对应的特征向量为μ1,μ2,μ3,…,μn，则特征向量矩阵如下所示：
step4：选取主成分的个数：从特征向量选取前m个作为主元素，计算贡献率，用下式可计算：
step5：计算原数据与主成分之间的关系：主成分矩阵为F，原数据矩阵为X，则有：F＝UX，则协方差可表示如下所示：
Conv(Xi,Fj)＝μijλj
step6：计算数据对主成分的贡献率：
(2)按照分割维度大小对数据进行排序，取该维度中的中值数据作为结点。
(3)对数据进行判别，将分割平面上大于中值的点，存放在右子树空间，小于中值的点，放在左子树空间。
(4)在左右子树空间上进行前面三步的迭代循环，知道最后左右子空间只有一个结点。
在构造完基于PCA的KD树后，则可以查询，采取从根部开始查询的方法，自顶向下查询，直到叶子结点为止。
另外，本发明实施例还提供了一种基于sift特征点的无人机检测系统，所述系统包括：
运动物体检测模块：对输入视频进行分帧，检测是否存在运动物体；
sift特征点提取模块：若图片中存在运动物体，在提取图片的sift特征点；
无人机判断模块：对上述提取的sift特征点，使用KD树判断是否为无人机。
优选地，一种基于sift特征点的无人机检测系统，其特征在于，对输入视频进行分帧，检测是否存在运动物体，具体流程如下：
第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的平均值作为初始阈值T，并根据初始阈值将图像区分为前景和背景，前景和背景的像素数量分别为N1,N2，根据下式求得前景和背景的平均值，前景和背景的概率。
根据下式可以求得分割阈值TT.
TT＝a1a2(u1+u2)
第二，相邻两帧进行查分运算，并将差分获得的两幅图像根据第一步获取的阈值TT进行二值化，并将两幅二值化图像做与运算，如下所示。
Dk(x,y)＝Dk1(x,y)*Dk2(x,y)
第三，对从第二步获得的二值图像Dk(x,y)先进行形态学腐蚀再进行膨胀操作，通过这个步骤的操作，可以去除噪声，得到一个二值图像DLast1(x,y)。
第四，对图像帧中的每个像素点随机选择8个邻域的20个像素值，作为图像中此像素的样本集，检测新一帧图像时，求解检测图像中像素点与样本集之间的距离，如果距离小于设定的阈值的样本的数量大于数量阈值，则像素被分类成背景，否则被分类成前景。此方法成为ViBe方法，假设使用ViBe方法分类的二值图像为DLast2(x,y)。
第五，将用不同方法得到的两个二值图像DLast1(x,y)和DLast2(x,y)进行与运算。即最终的结果为Img可以表示为下式：
Img＝DLast1(x,y)*DLast2(x,y)
第六，将Img图像进行判断，如果此二值图像的连通域，大于设定阈值，则判定为图像有运动物体，否则判定为没有运动物体。
优选地，所述一种基于sift特征点的无人机检测系统，其特征在于，若图片中存在运动物体，提取图片的sift特征点，具体流程如下：
提取图像的SIFT特征点。因为无人机在图像中可能会发生旋转、大小缩放、光照变化等情况，SIFT特征点可以保证系统的鲁棒性。
SITF特征点的确定如下所示：
(1)建立尺度空间。
利用高斯核函数建立尺度空间，则图像进行湿度变换可以表示为下式：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
其中，I(x,y)表示原图像，G(x,y,σ)表示高斯核函数，L(x,y,σ)表示尺度空间。高斯核函数可以表示如下所示：
其中，σ为尺度因子，决定了图像的平滑程度，尺度因子越大，则图像分辨率越低，表征图像的轮廓信息，尺度因子小，分辨率越高，表征图像的细节信息。
(2)建立高斯差分尺度金字塔。
为了保证检测到的特征点的稳定性，所以需要建立高斯差分尺度空间金字塔。对一幅图像建立不同尺度的图像，并对相邻两层做差分运算，构建完后对图像的长宽都进行减1/2的降采样，每层图像的差分运算表示如下所示：
D(x,y，σ)＝[G(x,y,kσ)-G(x,y，σ)]*I(x，y)＝L(x，y，kσ)-L(x，y，σ)
(3)确立特征点。
建立完高斯差分金字塔后，检索每个像素同尺度的邻域与其上下两层是否为极大值或极小值，如果是，则判定为改尺度下的特征点。
(4)去除低对比度的点。
有第(3)步确定的点，稳定性还不够高，需要进一步删除对比度低的点，这些点对噪声很敏感。根据(12)式，可以求得极值点的位置如下所示：
将极值点可以判断，当小于0.3时，将其删除，不作为特征点。
(5)描述子的计算。
在筛选出稳定的特征点后，需要生成适当的描述子，梯度值和方向可表示为下式。
每个点的梯度值表示邻域的主方向，该方向作为特征点的方向。
在特征点对应的高斯平滑后的图像上求解描述子，每个特征点生成一个128维的特征向量。
优选地，所述所述一种基于sift特征点的无人机检测系统，其特征在于，对上述提取的sift特征点，使用KD树判断是否为无人机：
使用基于主元素分析的KD树最邻近算法进行分类。
此方法的主要思想是分析数据各个维度对主成分的贡献率，并根据这个来构造KD树。具体流程如下：
(1)计算数据样本各个维度对主成分的贡献率。
贡献率的计算方法如下：
step1：计算数据之间的协方差，计算方法如下所示：
step2：构造样本数据的协方差矩阵Cx，
step3：计算写方差矩阵Cx的特征值和特征向量：假设协方差矩阵Cx的特征值从大到小排序为λ1，λ2，λ3，…，λn，对应的特征向量为μ1，μ2，μ3，…，μm，则特征向量矩阵如下所示：
step4：选取主成分的个数：从特征向量选取前m个作为主元素，计算贡献率，用下式可计算：
step5：计算原数据与主成分之间的关系：主成分矩阵为F，原数据矩阵为X，则有：F＝UX，则协方差可表示如下所示：
Conv(Xi,Fj)＝μijλj
step6：计算数据对主成分的贡献率：
(2)按照分割维度大小对数据进行排序，取该维度中的中值数据作为结点。
(3)对数据进行判别，将分割平面上大于中值的点，存放在右子树空间，小于中值的点，放在左子树空间。
(4)在左右子树空间上进行前面三步的迭代循环，知道最后左右子空间只有一个结点。
在构造完基于PCA的KD树后，则可以查询，采取从根部开始查询的方法，自顶向下查询，直到叶子结点为止。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例一种基于sift特征点的无人机检测方法的流程示意图；
图2是本发明实施例一种基于sift特征点的无人机检测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明实施例一种基于sift特征点的无人机检测方法的流程示意图，如图1所示，该方法包括：
S11：视频分帧，检测是否存在运动物体；
S12：若没有运动物体，则退出程序；
S13：若存在运动物体，提取sift特征点；
S14：使用KD树，判断是否为无人机。
对S11进一步说明：
第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的平均值作为初始阈值T，并根据初始阈值将图像区分为前景和背景，前景和背景的像素数量分别为N1,N2，根据下式求得前景和背景的平均值，前景和背景的概率。
根据下可以求得分割阈值TT.
TT＝a1a2(u1+u2)
第二，相邻两帧进行查分运算，并将差分获得的两幅图像根据第一步获取的阈值TT进行二值化，并将两幅二值化图像做与运算，如下所示。
Dk(x,y)＝Dk1(x,y)*Dk2(x,y)
第三，对从第二步获得的二值图像Dk(x,y)先进行形态学腐蚀再进行膨胀操作，通过这个步骤的操作，可以去除噪声，得到一个二值图像DLast1(x,y)。
第四，对图像帧中的每个像素点随机选择8个邻域的20个像素值，作为图像中此像素的样本集，检测新一帧图像时，求解检测图像中像素点与样本集之间的距离，如果距离小于设定的阈值的样本的数量大于数量阈值，则像素被分类成背景，否则被分类成前景。此方法成为ViBe方法，假设使用ViBe方法分类的二值图像为DLast2(x,y)。
第五，将用不同方法得到的两个二值图像DLast1(x,y)和DLast2(x,y)进行与运算。即最终的结果为Img可以表示为下式：
Img＝DLast1(x,y)*DLast2(x,y)
第六，将Img图像进行判断，如果此二值图像的连通域，大于设定阈值，则判定为图像有运动物体，否则判定为没有运动物体。
对S12进一步说明：
因为本专利提出的方法主要用于检测无人机，无人机处于运动中，所以检测无人机时，先判断图像中是否存在运动物体，如果不存在运动物体，则说明图片中没有无人机，则不需要后续的判断，可以提高算法的效率。
对S13进一步说明：
提取图像的SIFT特征点。因为无人机在图像中可能会发生旋转、大小缩放、光照变化等情况，SIFT特征点可以保证系统的鲁棒性。
SITF特征点的确定如下所示：
(1)建立尺度空间。
利用高斯核函数建立尺度空间，则图像进行湿度变换可以表示为下式：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
其中，I(x,y)表示原图像，G(x,y,σ)表示高斯核函数，L(x,y,σ)表示尺度空间。高斯核函数可以表示如下所示：
其中，σ为尺度因子，决定了图像的平滑程度，尺度因子越大，则图像分辨率越低，表征图像的轮廓信息，尺度因子小，分辨率越高，表征图像的细节信息。
(2)建立高斯差分尺度金字塔。
为了保证检测到的特征点的稳定性，所以需要建立高斯差分尺度空间金字塔。对一幅图像建立不同尺度的图像，并对相邻两层做差分运算，构建完后对图像的长宽都进行减1/2的降采样，每层图像的差分运算表示如下所示：
D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)
(3)确立特征点。
建立完高斯差分金字塔后，检索每个像素同尺度的邻域与其上下两层是否为极大值或极小值，如果是，则判定为改尺度下的特征点。
(4)去除低对比度的点。
有第(3)步确定的点，稳定性还不够高，需要进一步删除对比度低的点，这些点对噪声很敏感。可以求得极值点的位置如下所示：
将极值点可以判断，当小于0.3时，将其删除，不作为特征点。
(5)描述子的计算。
在筛选出稳定的特征点后，需要生成适当的描述子，梯度值和方向可表示为下式。
每个点的梯度值表示邻域的主方向，该方向作为特征点的方向。
在特征点对应的高斯平滑后的图像上求解描述子，每个特征点生成一个128维的特征向量。
对S14进一步说明：
使用基于主元素分析的KD树最邻近算法进行分类。
此方法的主要思想是分析数据各个维度对主成分的贡献率，并根据这个来构造KD树。具体流程如下：
(1)计算数据样本各个维度对主成分的贡献率。
贡献率的计算方法如下：
step1：计算数据之间的协方差，计算方法如下所示：
step2：构造样本数据的协方差矩阵Cx，
step3：计算写方差矩阵Cx的特征值和特征向量：假设协方差矩阵Cx的特征值从大到小排序为λ1,λ2,λ3,…,λn，对应的特征向量为μ1,μ2,μ3,…,μn，则特征向量矩阵如下所示：
step4：选取主成分的个数：从特征向量选取前m个作为主元素，计算贡献率，用下式可计算：
step5：计算原数据与主成分之间的关系：主成分矩阵为F，原数据矩阵为X，则有：F＝UX，则协方差可表示如下所示：
Conv(Xi,Fj)＝μijλj
step6：计算数据对主成分的贡献率：
(2)按照分割维度大小对数据进行排序，取该维度中的中值数据作为结点。
(3)对数据进行判别，将分割平面上大于中值的点，存放在右子树空间，小于中值的点，放在左子树空间。
(4)在左右子树空间上进行前面三步的迭代循环，知道最后左右子空间只有一个结点。
在构造完基于PCA的KD树后，则可以查询，采取从根部开始查询的方法，自顶向下查询，直到叶子结点为止。
图2是本发明实施例一种基于sift特征点的无人机检测系统的结构示意图，如图2所示，该系统包括：
11：运动物体检测模块：对输入视频进行分帧，检测是否存在运动物体；
12：sift特征点提取模块：若图片中存在运动物体，在提取图片的sift特征点；
13：无人机判断模块：对上述提取的sift特征点，使用KD树判断是否为无人机。
对11进一步说明：
第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的平均值作为初始阈值T，并根据初始阈值将图像区分为前景和背景，前景和背景的像素数量分别为N1,N2，根据下式求得前景和背景的平均值，前景和背景的概率。
根据下式可以求得分割阈值TT.
TT＝a1a2(u1+u2)
第二，相邻两帧进行查分运算，并将差分获得的两幅图像根据第一步获取的阈值TT进行二值化，并将两幅二值化图像做与运算，如下所示。
Dk(x,y)＝Dk1(x,y)*Dk2(x,y)
第三，对从第二步获得的二值图像Dk(x,y)先进行形态学腐蚀再进行膨胀操作，通过这个步骤的操作，可以去除噪声，得到一个二值图像DLast1(x,y)。
第四，对图像帧中的每个像素点随机选择8个邻域的20个像素值，作为图像中此像素的样本集，检测新一帧图像时，求解检测图像中像素点与样本集之间的距离，如果距离小于设定的阈值的样本的数量大于数量阈值，则像素被分类成背景，否则被分类成前景。此方法成为ViBe方法，假设使用ViBe方法分类的二值图像为DLast2(x,y)。
第五，将用不同方法得到的两个二值图像DLast1(x,y)和DLast2(x,y)进行与运算。即最终的结果为Img可以表示为下式：
Img＝DLast1(x,y)*DLast2(x,y)
第六，将Img图像进行判断，如果此二值图像的连通域，大于设定阈值，则判定为图像有运动物体，否则判定为没有运动物体。
对12进一步说明：
提取图像的SIFT特征点。因为无人机在图像中可能会发生旋转、大小缩放、光照变化等情况，SIFT特征点可以保证系统的鲁棒性。
SITF特征点的确定如下所示：
(1)建立尺度空间。
利用高斯核函数建立尺度空间，则图像进行湿度变换可以表示为下式：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
其中，I(x,y)表示原图像，G(x,y,σ)表示高斯核函数，L(x,y,σ)表示尺度空间。高斯核函数可以表示如下所示：
其中，σ为尺度因子，决定了图像的平滑程度，尺度因子越大，则图像分辨率越低，表征图像的轮廓信息，尺度因子小，分辨率越高，表征图像的细节信息。
(2)建立高斯差分尺度金字塔。
为了保证检测到的特征点的稳定性，所以需要建立高斯差分尺度空间金字塔。对一幅图像建立不同尺度的图像，并对相邻两层做差分运算，构建完后对图像的长宽都进行减1/2的降采样，每层图像的差分运算表示如下所示：
D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x，y)＝L(x，y，kσ)-L(x,y,σ)
(3)确立特征点。
建立完高斯差分金字塔后，检索每个像素同尺度的邻域与其上下两层是否为极大值或极小值，如果是，则判定为改尺度下的特征点。
(4)去除低对比度的点。
有第(3)步确定的点，稳定性还不够高，需要进一步删除对比度低的点，这些点对噪声很敏感。可以求得极值点的位置如下所示：
将极值点可以判断，当小于0.3时，将其删除，不作为特征点。
(5)描述子的计算。
在筛选出稳定的特征点后，需要生成适当的描述子，梯度值和方向可表示为下式。
每个点的梯度值表示邻域的主方向，该方向作为特征点的方向。
在特征点对应的高斯平滑后的图像上求解描述子，每个特征点生成一个128维的特征向量。
对13进一步说明：
使用基于主元素分析的KD树最邻近算法进行分类。
此方法的主要思想是分析数据各个维度对主成分的贡献率，并根据这个来构造KD树。具体流程如下：
(1)计算数据样本各个维度对主成分的贡献率。
贡献率的计算方法如下：
step1：计算数据之间的协方差，计算方法如下所示：
step2：构造样本数据的协方差矩阵Cx，
step3：计算写方差矩阵Cx的特征值和特征向量：假设协方差矩阵Cx的特征值从大到小排序为λ1,λ2,λ3,…,λn，对应的特征向量为μ1,μ2,μ3,…,μn，则特征向量矩阵如下所示：
step4：选取主成分的个数：从特征向量选取前m个作为主元素，计算贡献率，用下式可计算：
step5：计算原数据与主成分之间的关系：主成分矩阵为F，原数据矩阵为X，则有：F＝UX，则协方差可表示如下所示：
Conv(Xi,Fj)＝μijλj
step6：计算数据对主成分的贡献率：
(2)按照分割维度大小对数据进行排序，取该维度中的中值数据作为结点。
(3)对数据进行判别，将分割平面上大于中值的点，存放在右子树空间，小于中值的点，放在左子树空间。
(4)在左右子树空间上进行前面三步的迭代循环，知道最后左右子空间只有一个结点。
在构造完基于PCA的KD树后，则可以查询，采取从根部开始查询的方法，自顶向下查询，直到叶子结点为止。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于sift特征点的无人机检测方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于sift特征点的无人机检测方法及系统，其特征在于所述方法包括：
视频分帧，检测是否存在运动物体；
若没有运动物体，则退出程序；
若存在运动物体，提取sift特征点；
使用KD树，判断是否为无人机。
2.根据权利要求1所述一种基于sift特征点的无人机检测方法，其特征在于，视频分帧，检测是否存在运动物体，具体流程如下所示：
第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的平均值作为初始阈值T，并根据初始阈值将图像区分为前景和背景，前景和背景的像素数量分别为N1，N2，根据以下式子求得前景和背景的平均值，前景和背景的概率。
根据上式可以求得分割阈值TT.
TT＝a1a2(u1+u2)
第二，相邻两帧进行查分运算，并将差分获得的两幅图像根据第一步获取的阈值TT进行二值化，并将两幅二值化图像做与运算，如下式所示。
Dk(x，y)＝Dk1(x，y)*Dk2(x，y)
第三，对从第二步获得的二值图像Dk(x，y)先进行形态学腐蚀再进行膨胀操作，通过这个步骤的操作，可以去除噪声，得到一个二值图像DLast1(x，y)。
第四，对图像帧中的每个像素点随机选择8个邻域的20个像素值，作为图像中此像素的样本集，检测新一帧图像时，求解检测图像中像素点与样本集之间的距离，如果距离小于设定的阈值的样本的数量大于数量阈值，则像素被分类成背景，否则被分类成前景。此方法成为ViBe方法，假设使用ViBe方法分类的二值图像为DLast2(x，y)。
第五，将用不同方法得到的两个二值图像DLast1(x，y)和DLast2(x，y)进行与运算。即最终的结果为Img可以表示为下式：
Img＝DLast1(x，y)*DLast2(x，y)
第六，将Img图像进行判断，如果此二值图像的连通域，大于设定阈值，则判定为图像有运动物体，否则判定为没有运动物体。
3.根据权利要求1所述一种基于sift特征点的无人机检测方法，其特征在于，若没有运动物体，则退出程序：
因为本专利提出的方法主要用于检测无人机，无人机处于运动中，所以检测无人机时，先判断图像中是否存在运动物体，如果不存在运动物体，则说明图片中没有无人机，则不需要后续的判断，可以提高算法的效率。
4.根据权利要求1所述一种基于sift特征点的无人机检测方法，其特征在于，若存在运动物体，提取sift特征点，具体流程如下：
提取图像的SIFT特征点，因为无人机在图像中可能会发生旋转、大小缩放、光照变化等情况，SIFT特征点可以保证系统的鲁棒性。
SITF特征点的确定如下所示：
(1)建立尺度空间。
利用高斯核函数建立尺度空间，则图像进行湿度变换可以表示为：
L(x，y，σ)＝G(x，y，σ)*I(x，y)
其中，I(x，y)表示原图像，G(x，y，σ)表示高斯核函数，L(x，y，σ)表示尺度空间。高斯核函数可以表示为：
其中，σ为尺度因子，决定了图像的平滑程度，尺度因子越大，则图像分辨率越低，表征图像的轮廓信息，尺度因子小，分辨率越高，表征图像的细节信息。
(2)建立高斯差分尺度金字塔。
为了保证检测到的特征点的稳定性，所以需要建立高斯差分尺度空间金字塔。对一幅图像建立不同尺度的图像，并对相邻两层做差分运算，构建完后对图像的长宽都进行减1/2的降采样，每层图像的差分运算表示如下：
D(x，y，σ)＝[G(x，y，kσ)-G(x，y，σ)]*I(x，y)＝L(x，y，kσ)-L(x，y，σ)
(3)确立特征点。
建立完高斯差分金字塔后，检索每个像素同尺度的邻域与其上下两层是否为极大值或极小值，如果是，则判定为改尺度下的特征点。
(4)去除低对比度的点。
有第(3)步确定的点，稳定性还不够高，需要进一步删除对比度低的点，这些点对噪声很敏感。可以求得极值点的位置如下所示：
将极值点可以判断，当小于0.3时，将其删除，不作为特征点。
(5)描述子的计算。
在筛选出稳定的特征点后，需要生成适当的描述子，梯度值和方向可表示为下式。
每个点的梯度值表示邻域的主方向，该方向作为特征点的方向。
在特征点对应的高斯平滑后的图像上求解描述子，每个特征点生成一个128维的特征向量。
5.根据权利要求1所述一种基于sift特征点的无人机检测方法，其特征在于，使用KD树，判断是否为无人机：
使用基于主元素分析的KD树最邻近算法进行分类。
此方法的主要思想是分析数据各个维度对主成分的贡献率，并根据这个来构造KD树。具体流程如下：
(1)计算数据样本各个维度对主成分的贡献率。
贡献率的计算方法如下：
step1：计算数据之间的协方差，计算方法如下所示：
step2：构造样本数据的协方差矩阵Cx，
step3：计算写方差矩阵Cx的特征值和特征向量：假设协方差矩阵Cx的特征值从大到小排序为λ1，λ2，λ3，...，λn，对应的特征向量为μ1，μ2，μ3，...，μn，则特征向量矩阵如下所示：
step4：选取主成分的个数：从特征向量选取前m个作为主元素，计算贡献率，用下式可计算：
step5：计算原数据与主成分之间的关系：主成分矩阵为F，原数据矩阵为X，则有：F＝UX，则协方差可表示如下所示：
Conv(Xi，Fj)＝μijλj
step6：计算数据对主成分的贡献率：
(2)按照分割维度大小对数据进行排序，取该维度中的中值数据作为结点。
(3)对数据进行判别，将分割平面上大于中值的点，存放在右子树空间，小于中值的点，放在左子树空间。
(4)在左右子树空间上进行前面三步的迭代循环，知道最后左右子空间只有一个结点。
在构造完基于PCA的KD树后，则可以查询，采取从根部开始查询的方法，自顶向下查询，直到叶子结点为止。
6.一种基于sift特征点的无人机检测系统，其特征在于，所述系统包括：
运动物体检测模块：对输入视频进行分帧，检测是否存在运动物体；
sift特征点提取模块：若图片中存在运动物体，在提取图片的sift特征点；
无人机判断模块：对上述提取的sift特征点，使用KD树判断是否为无人机。
7.根据权利要求6所述一种基于sift特征点的无人机检测系统，其特征在于，对输入视频进行分帧，检测是否存在运动物体，具体流程如下：
第一，选取连续的三帧图像，标号分别为k-1，k，k+1，并将相邻两帧图像求取分割阈值。阈值求解方法如下所述：获取图像像素值的平均值作为初始阈值T，并根据初始阈值将图像区分为前景和背景，前景和背景的像素数量分别为N1，N2，根据下式求得前景和背景的平均值，前景和背景的概率。
根据下式可以求得分割阈值TT.
TT＝a1a2(u1+u2)
第二，相邻两帧进行查分运算，并将差分获得的两幅图像根据第一步获取的阈值TT进行二值化，并将两幅二值化图像做与运算，如下所示。
Dk(x，y)＝Dk1(x，y)*Dk2(x，y)
第三，对从第二步获得的二值图像Dk(x，y)先进行形态学腐蚀再进行膨胀操作，通过这个步骤的操作，可以去除噪声，得到一个二值图像DLast1(x，y)。
第四，对图像帧中的每个像素点随机选择8个邻域的20个像素值，作为图像中此像素的样本集，检测新一帧图像时，求解检测图像中像素点与样本集之间的距离，如果距离小于设定的阈值的样本的数量大于数量阈值，则像素被分类成背景，否则被分类成前景。此方法成为ViBe方法，假设使用ViBe方法分类的二值图像为DLast2(x，y)。
第五，将用不同方法得到的两个二值图像DLast1(x，y)和DLast2(x，y)进行与运算。即最终的结果为Img可以表示为下式：
Img＝DLast1(x，y)*DLast2(x，y)
第六，将Img图像进行判断，如果此二值图像的连通域，大于设定阈值，则判定为图像有运动物体，否则判定为没有运动物体。
8.根据权利要求6所述一种基于sift特征点的无人机检测系统，其特征在于，若图片中存在运动物体，在提取图片的sift特征点，具体流程如下：
提取图像的SIFT特征点。因为无人机在图像中可能会发生旋转、大小缩放、光照变化等情况，SIFT特征点可以保证系统的鲁棒性。
SITF特征点的确定如下所示：
(1)建立尺度空间。
利用高斯核函数建立尺度空间，则图像进行湿度变换可以表示为下式：
L(x，y，σ)＝G(x，y，σ)*I(x，y)
其中，I(x，y)表示原图像，G(x，y，σ)表示高斯核函数，L(x，y，σ)表示尺度空间。高斯核函数可以表示如下所示：
其中，σ为尺度因子，决定了图像的平滑程度，尺度因子越大，则图像分辨率越低，表征图像的轮廓信息，尺度因子小，分辨率越高，表征图像的细节信息。
(2)建立高斯差分尺度金字塔。
为了保证检测到的特征点的稳定性，所以需要建立高斯差分尺度空间金字塔。对一幅图像建立不同尺度的图像，并对相邻两层做差分运算，构建完后对图像的长宽都进行减1/2的降采样，每层图像的差分运算表示如下所示：
D(x，y，σ)＝[G(x，y，kσ)-G(x，y，σ)]*I(x，y)＝L(x，y，kσ)-L(x，y，σ)
(3)确立特征点。
建立完高斯差分金字塔后，检索每个像素同尺度的邻域与其上下两层是否为极大值或极小值，如果是，则判定为改尺度下的特征点。
(4)去除低对比度的点。
有第(3)步确定的点，稳定性还不够高，需要进一步删除对比度低的点，这些点对噪声很敏感。根据(12)式，可以求得极值点的位置如下所示：
将极值点可以判断，当小于0.3时，将其删除，不作为特征点。
(5)描述子的计算。
在筛选出稳定的特征点后，需要生成适当的描述子，梯度值和方向可表示如下。
每个点的梯度值表示邻域的主方向，该方向作为特征点的方向。
在特征点对应的高斯平滑后的图像上求解描述子，每个特征点生成一个128维的特征向量。
9.根据权利要求6所述一种基于sift特征点的无人机检测系统，其特征在于，对上述提取的sift特征点，使用KD树判断是否为无人机：
使用基于主元素分析的KD树最邻近算法进行分类。
此方法的主要思想是分析数据各个维度对主成分的贡献率，并根据这个来构造KD树。具体流程如下：
(1)计算数据样本各个维度对主成分的贡献率。
贡献率的计算方法如下：
step1：计算数据之间的协方差，计算方法如下所示：
step2：构造样本数据的协方差矩阵Cx，
step3：计算写方差矩阵Cx的特征值和特征向量：假设协方差矩阵Cx的特征值从大到小排序为λ1，λ2，λ3，...，λn，对应的特征向量为μ1，μ2，μ3，...，μn，则特征向量矩阵如下所示：
step4：选取主成分的个数：从特征向量选取前m个作为主元素，计算贡献率，用下式可计算：
step5：计算原数据与主成分之间的关系：主成分矩阵为F，原数据矩阵为X，则有：F＝UX，则协方差可表示如下所示：
Cony(Xi，Fj)＝μijλj
step6：计算数据对主成分的贡献率：
(2)按照分割维度大小对数据进行排序，取该维度中的中值数据作为结点。
(3)对数据进行判别，将分割平面上大于中值的点，存放在右子树空间，小于中值的点，放在左子树空间。
(4)在左右子树空间上进行前面三步的迭代循环，知道最后左右子空间只有一个结点。
在构造完基于PCA的KD树后，则可以查询，采取从根部开始查询的方法，自顶向下查询，直到叶子结点为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811569643.2A CN109767455A (zh) | 2018-12-21 | 2018-12-21 | 一种基于sift特征点的无人机检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811569643.2A CN109767455A (zh) | 2018-12-21 | 2018-12-21 | 一种基于sift特征点的无人机检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109767455A true CN109767455A (zh) | 2019-05-17 |
Family
ID=66452008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811569643.2A Pending CN109767455A (zh) | 2018-12-21 | 2018-12-21 | 一种基于sift特征点的无人机检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109767455A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646391A (zh) * | 2013-09-30 | 2014-03-19 | 浙江大学 | 一种针对动态变化场景的实时摄像机跟踪方法 |
| CN107644227A (zh) * | 2017-05-18 | 2018-01-30 | 南京财经大学 | 一种用于商品图像搜索的融合多视角的仿射不变描述子 |
| CN107742306A (zh) * | 2017-09-20 | 2018-02-27 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
-
2018
- 2018-12-21 CN CN201811569643.2A patent/CN109767455A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646391A (zh) * | 2013-09-30 | 2014-03-19 | 浙江大学 | 一种针对动态变化场景的实时摄像机跟踪方法 |
| CN107644227A (zh) * | 2017-05-18 | 2018-01-30 | 南京财经大学 | 一种用于商品图像搜索的融合多视角的仿射不变描述子 |
| CN107742306A (zh) * | 2017-09-20 | 2018-02-27 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
Non-Patent Citations (4)
| Title |
|---|
| 傅德胜等: "《图形图像处理学》", 31 January 2002, 东南大学出版社 * |
| 冯艳: "动态背景下基于SIFT特征匹配的目标检测算法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 尚建华: "基于SIFT算法的视频流中运动目标识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 朱玮: "基于视觉的四旋翼飞行器目标识别及跟踪", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103366374B (zh) | 基于图像匹配的消防通道障碍物检测方法 | |
| Amit et al. | A robust airport runway detection network based on R-CNN using remote sensing images | |
| CN102332092B (zh) | 一种基于视频分析的火焰检测方法 | |
| CN104303193B (zh) | 基于聚类的目标分类 | |
| US9524444B2 (en) | Method, system and apparatus for determining a contour segment for an object in an image captured by a camera | |
| WO2016107475A1 (zh) | 车辆识别方法和系统 | |
| CN106355188A (zh) | 图像检测方法及装置 | |
| CN105701448B (zh) | 三维人脸点云鼻尖检测方法及应用其的数据处理装置 | |
| CN110569754A (zh) | 图像目标检测方法、装置、存储介质及设备 | |
| CN108985169A (zh) | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 | |
| CN111461260B (zh) | 基于特征融合的目标检测方法、装置、设备及存储介质 | |
| JP2013196682A (ja) | 人の集団検出方法、及び人の集団検出装置 | |
| CN103207898A (zh) | 一种基于局部敏感哈希的相似人脸快速检索方法 | |
| CN102902967A (zh) | 基于人眼结构分类的虹膜和瞳孔的定位方法 | |
| CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| WO2023273010A1 (zh) | 高空抛物检测方法和装置、设备，及计算机存储介质 | |
| Bae et al. | Automatic road extraction from remote sensing images based on a normalized second derivative map | |
| Vancea et al. | Vehicle taillight detection and tracking using deep learning and thresholding for candidate generation | |
| CN109543498B (zh) | 一种基于多任务网络的车道线检测方法 | |
| Campos et al. | Discrimination of abandoned and stolen object based on active contours | |
| Khosravi et al. | Performance evaluation of object-based and pixel-based building detection algorithms from very high spatial resolution imagery | |
| CN109658429A (zh) | 一种基于边界分维数的红外图像卷云检测方法 | |
| CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
| Haiyang et al. | Earthquake-collapsed building extraction from LiDAR and aerophotograph based on OBIA | |
| CN109767455A (zh) | 一种基于sift特征点的无人机检测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |
|
| RJ01 | Rejection of invention patent application after publication |