CN109886355B - 一种空中非合作目标固定翼要害点检测方法 - Google Patents
一种空中非合作目标固定翼要害点检测方法 Download PDFInfo
- Publication number
- CN109886355B CN109886355B CN201910168268.9A CN201910168268A CN109886355B CN 109886355 B CN109886355 B CN 109886355B CN 201910168268 A CN201910168268 A CN 201910168268A CN 109886355 B CN109886355 B CN 109886355B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- fixed wing
- area
- degrees
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种空中非合作目标固定翼要害点检测方法，包括以下步骤：S1、输入检测图像G1，并进行中值滤波，去除噪声,得到图像G2；S2、对图像G2二值化处理得到G3，得到目标矩形区域顶点信息D；S3、将目标区域的G3图像使用双线性插值缩放成G4图像；S4、将图像G4数据存放在一维数组中传入训练好的SVM模型，SVM分类器输出目标固定翼飞机朝向H；S5、利用固定翼朝向H和目标区域矩形顶点信息D估计固定翼要害点大致区域A5；S6、对G3图像A5区域求出最大连通域重心M，该坐标M即为固定翼要害点。本发明通过空中固定翼要害点检测算法，检测固定翼要害点的位置，通过对固定翼飞机在二维图像平面上的朝向进行判断，从而准确检测到固定翼尾翼要害点位置。
Description
技术领域
本发明涉及数字图像处理、目标检测、目标识别技术领域，尤其涉及一种空中非合作目标固定翼要害点检测方法。
背景技术
近年来，随着科技的发展，越来越多的小型无人航空器出现在日常生活中，如四旋翼无人机、固定翼无人机等。这些设备在给人们带来便利的同时，也产生了诸多问题。
反制这些设备的方法多种多样，如网捕，电子干扰，武器击落等，使用激光武器瞄准目标，将其击落。对于较低功率的激光武器，击落目标固定翼需要将激光定位到目标的要害点，通过对要害点持续一定时间的照射，达到击落目标的目的。对于固定翼这种类型的空中飞行器，使用激光武器进行打击时，其要害点位于尾翼处，而不是机身上，主要有以下原因。一、固定翼的尾翼的作用是操纵飞机俯仰和偏转，保证飞机能平稳飞行，若尾翼被破坏将使固定翼飞机失去控制，从而使其坠毁。击毁尾翼有利于最大化激光的破坏效应。二、固定翼飞机的尾翼与飞机机身相比厚度更薄，面积更小，在相同的时间内，尾翼更容易被击毁。使用尾翼作为要害点可以在更短时间击落目标。如何引导激光对准固定翼的要害点，一种典型的方法是根据视频图像进行要害点定位，通过图像处理的手段标记出固定翼的要害点位置。
基于图像的目标检测方法有很多。在某些特定应用场合中，由于目标一般距离较远，目标在相面上的移动较大，为了始终能够捕获目标，成像设备往往具有大幅面，高帧频的特点，而且要求目标要害点定位算法不仅能定位到飞行目标区域，还需要定位到飞行目标的特定要害点位置。因此有必要开发一种空中非合作目标固定翼要害点检测定位方法。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种空中非合作目标固定翼要害点检测方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种空中非合作目标固定翼要害点检测方法，该方法包括以下步骤：
S1、输入检测图像G1，并对其进行中值滤波，去除检测图像G1的噪声,得到去噪图像G2；
S2、对去噪图像G2进行二值化处理得到二值图像G3，并得到目标矩形区域D2,将该区域裁剪成目标区域图像G4；
S3、将目标区域图像G4使用双线性插值缩放成缩放图像G5；
S4、将缩放图像G5的数据存放在一维数组A4中，并将其传入训练好的SVM模型，SVM模型的分类器输出目标固定翼飞机朝向H；
S5、根据目标矩形区域D2得到目标区域矩形顶点信息D，利用目标固定翼飞机朝向H和目标区域矩形顶点信息D计算固定翼要害点区域A5；
S6、对目标区域图像G4中的固定翼要害点区域A5求解最大连通域重心M，最大连通域重心M的坐标即为固定翼要害点。
进一步地，本发明的步骤S2中的具体方法为：
S21、对去噪图像G2使用Kittler算法二值化处理得到二值图像G3；
S22、遍历二值图像G3，寻找到横纵坐标的最大最小值，从而确定目标区域矩形区域D2；其中心坐标为(D 2x，D 2y)；目标区域矩形区域D2水平长度为DS，竖直长度为DZ；
S23、根据目标区域矩形区域D2对二值图像G3进行裁剪，得到目标区域图像G4。
进一步地，本发明的步骤S4中的具体方法为：
S41、将缩放图像G5的值转换成一维数组A4；
S42、获取训练集图片，将训练集图片中的多张固定翼飞行图片人工分成9类不同的朝向的图片，9类分别为飞机机头朝0度，45度，90度，135度，180度，235度，270度，315度，及飞机机身垂直于像平面的情况；将训练集图片经过步骤S1、步骤S2、步骤S3、步骤S41处理后进行训练，得到训练好的SVM分类器模型；
S43、将一维数组A4的数据输入到训练好的SVM分类器模型；分类器输出目标固定翼飞机朝向H；朝向H取值有0、1、2、3、4、5、6、7、8，分别代表飞机机头朝0度，45度，90度，135度，180度，235度，270度，315度，及飞机机身垂直于像平面的情况。
进一步地，本发明的步骤S5中的具体方法为：
S51、将目标矩形区域D2，横纵坐标三等分，形成9个矩形子区域；
S52、由目标固定翼飞机朝向H信息来选取对应的子区域，并求解对应子区域的中心坐标C5；其中：
H＝0时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y
H＝1时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y+DZ/3
H＝2时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y+DZ/3
H＝3时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y+DZ/3
H＝4时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y
H＝5时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y-DZ/3
H＝6时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y-DZ/3
H＝7时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y-DZ/3
H＝8时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y
其中，目标区域矩形区域D的中心坐标为(D 2x，D 2y)；目标区域矩形区域D2水平长度为DS，竖直长度为DZ；
S53、根据每个子区域的中心坐标C5，计算固定翼要害点区域A5；固定翼要害点区域A5的中心坐标为C5，边长为L5；边长L5的计算公式如下：
L5＝MAX(DS,DZ)/3
同时固定翼要害点区域A5在整体图像的范围内。
进一步地，本发明的步骤S6中的具体方法为：
对目标区域图像G4中的固定翼要害点区域A5求解最大连通域重心M，其计算公式为：
其中，(Mx，My)为最大连通域重心M的坐标，(xi,yi)为连通域中第i个像素的坐标，k为连通域的像素个数。
本发明产生的有益效果是：本发明的空中非合作目标固定翼要害点检测方法，通过空中固定翼要害点检测算法，检测固定翼要害点的位置，通过对固定翼飞机在二维图像平面上的朝向进行判断，从而准确检测到固定翼尾翼要害点位置。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例空中固定翼要害点检测方法流程图；
图2为固定翼检测的输入图像；
图3为S2步骤处理得到的G3图像；
图4为S3步骤处理得到的G4图像；
图5为S4、S5步骤处理后，目标区域A5被框出；
图6为S6步骤处理后，目标要害点标记。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明通过空中固定翼要害点检测算法，检测固定翼要害点的位置，在固定翼飞机在像平面上的朝向进行判断，从而准确检测到尾翼要害点位置。
本发明的目的在于，为对空中固定翼要害点锁定系统，提供一种高效的定位方法，如图1所示，包括以下步骤：
S1、输入检测图像G1，如图2所示，并对其进行中值滤波，使用6×6模板进行中值滤波，去除检测图像G1的噪声,得到去噪图像G2；
S2、对去噪图像G2进行二值化处理得到二值图像G3，如图3所示，并得到目标矩形区域D2,将该区域裁剪成目标区域图像G4，如图4所示；
S3、将目标区域图像G4使用双线性插值缩放成小图像G5；
S4、将缩放图像G5的数据存放在一维数组A4中，并将其传入训练好的SVM模型，SVM模型的分类器输出目标固定翼飞机朝向H＝1；
S5、根据目标矩形区域D2得到目标区域矩形顶点信息D，利用目标固定翼飞机朝向H＝1和目标区域矩形顶点信息D计算固定翼要害点区域A5，如图5所示；
S6、对目标区域图像G4中的固定翼要害点区域A5求解最大连通域重心M，最大连通域重心M的坐标即为固定翼要害点，如图6所示。
步骤S2中的具体方法为：
S21、对去噪图像G2使用Kittler算法二值化处理得到二值图像G3；
S22、遍历二值图像G3，寻找到横纵坐标的最大最小值，从而确定目标区域矩形区域D2；其中心坐标为(D2x，D2y)；目标区域矩形区域D2水平长度为DS，竖直长度为DZ；
S23、根据目标区域矩形区域D2对二值图像G3进行裁剪，得到目标区域图像G4。
步骤S3中的具体方法为：
S3、使用双线性差值法将G4图像缩放为一个较小的G5图像。
步骤S4中的具体方法为：
S41、将缩放图像G5的值转换成一维数组A4；
S42、获取训练集图片，将训练集图片中的多张固定翼飞行图片人工分成9类不同的朝向的图片，9类分别为飞机机头朝0度，45度，90度，135度，180度，235度，270度，315度，及飞机机身垂直于像平面的情况；将训练集图片经过步骤S1、步骤S2、步骤S3、步骤S41处理后进行训练，得到训练好的SVM分类器模型；
S43、将一维数组A4的数据输入到训练好的SVM分类器模型；分类器输出目标固定翼飞机朝向H；朝向H取值有0、1、2、3、4、5、6、7、8，分别代表飞机机头朝0度，45度，90度，135度，180度，235度，270度，315度，及飞机机身垂直于像平面的情况。
步骤S5中的具体方法为：
S51、将目标矩形区域D2，横纵坐标三等分，形成9个矩形子区域；
S52、由目标固定翼飞机朝向H信息来选取对应的子区域如，下表所示，并求解对应子区域的中心坐标C5；
| 3 | 2 | 1 |
| 4 | 8 | 0 |
| 5 | 6 | 7 |
其中：
H＝0时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y
H＝1时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y+DZ/3
H＝2时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y+DZ/3
H＝3时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y+DZ/3
H＝4时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y
H＝5时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y-DZ/3
H＝6时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y-DZ/3
H＝7时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y-DZ/3
H＝8时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y
其中，目标区域矩形区域D2的中心坐标为(D2x，D2y)；目标区域矩形区域D2水平长度为DS，竖直长度为DZ；
S53、根据每个子区域的中心坐标C5，计算固定翼要害点区域A5；固定翼要害点区域A5的中心坐标为C5，边长为L5；边长L5的计算公式如下：
L5＝MAX(DS,DZ)/3
同时固定翼要害点区域A5在整体图像的范围内。
步骤S6中的具体方法为：
对目标区域图像G4中的固定翼要害点区域A5求解最大连通域重心M，其计算公式为：
其中，(Mx，My)为最大连通域重心M的坐标，(xi,yi)为连通域中第i个像素的坐标，k为连通域的像素个数。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种空中非合作目标固定翼要害点检测方法，其特征在于，该方法包括以下步骤：
S1、输入检测图像G1，并对其进行中值滤波，去除检测图像G1的噪声，得到去噪图像G2；
S2、对去噪图像G2进行二值化处理得到二值图像G3，并得到目标矩形区域D2，将该区域裁剪成目标区域图像G4；
S3、将目标区域图像G4使用双线性插值缩放成缩放图像G5；
S4、将缩放图像G5的数据存放在一维数组A4中，并将其传入训练好的SVM模型，SVM模型的分类器输出目标固定翼飞机朝向H；
S5、根据目标矩形区域D2得到目标区域矩形顶点信息D，利用目标固定翼飞机朝向H和目标区域矩形顶点信息D计算固定翼要害点区域A5；
S6、对目标区域图像G4中的固定翼要害点区域A5求解最大连通域重心M，最大连通域重心M的坐标即为固定翼要害点。
2.根据权利要求1所述的空中非合作目标固定翼要害点检测方法，其特征在于，步骤S2中的具体方法为：
S21、对去噪图像G2使用Kittler算法二值化处理得到二值图像G3；
S22、遍历二值图像G3，寻找到横纵坐标的最大最小值，从而确定目标区域矩形区域D2；其中心坐标为(D2x，D2y)；目标区域矩形区域D2水平长度为DS，竖直长度为DZ；
S23、根据目标区域矩形区域D2对二值图像G3进行裁剪，得到目标区域图像G4。
3.根据权利要求1所述的空中非合作目标固定翼要害点检测方法，其特征在于，步骤S4中的具体方法为：
S41、将缩放图像G5的值转换成一维数组A4；
S42、获取训练集图片，将训练集图片中的多张固定翼飞行图片人工分成9类不同的朝向的图片，9类分别为飞机机头朝0度，45度，90度，135度，180度，235度，270度，315度，及飞机机身垂直于像平面的情况；将训练集图片经过步骤S1、步骤S2、步骤S3、步骤S41处理后进行训练，得到训练好的SVM分类器模型；
S43、将一维数组A4的数据输入到训练好的SVM分类器模型；分类器输出目标固定翼飞机朝向H；朝向H取值有0、1、2、3、4、5、6、7、8，分别代表飞机机头朝0度，45度，90度，135度，180度，235度，270度，315度，及飞机机身垂直于像平面的情况。
4.根据权利要求3所述的空中非合作目标固定翼要害点检测方法，其特征在于，步骤S5中的具体方法为：
S51、将目标矩形区域D2，横纵坐标三等分，形成9个矩形子区域；
S52、由目标固定翼飞机朝向H信息来选取对应的子区域，并求解对应子区域的中心坐标C5；其中：
H＝0时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y
H＝1时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y+DZ/3
H＝2时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y+DZ/3
H＝3时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y+DZ/3
H＝4时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y
H＝5时，C5中心坐标公式为：
C5x＝D2x+DS/3
C5y＝D2y-DZ/3
H＝6时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y-DZ/3
H＝7时，C5中心坐标公式为：
C5x＝D2x-DS/3
C5y＝D2y-DZ/3
H＝8时，C5中心坐标公式为：
C5x＝D2x
C5y＝D2y
其中，目标区域矩形区域D2的中心坐标为(D2x，D2y)；目标区域矩形区域D2水平长度为DS，竖直长度为DZ；
S53、根据每个子区域的中心坐标C5，计算固定翼要害点区域A5；固定翼要害点区域A5的中心坐标为C5，边长为L5；边长L5的计算公式如下：
L5＝MAX(DS，DZ)/3
同时固定翼要害点区域A5在整体图像的范围内。
5.根据权利要求1所述的空中非合作目标固定翼要害点检测方法，其特征在于，步骤S6中的具体方法为：
对目标区域图像G4中的固定翼要害点区域A5求解最大连通域重心M，其计算公式为：
其中，(Mx，My)为最大连通域重心M的坐标，(xi，yi)为连通域中第i个像素的坐标，k为连通域的像素个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910168268.9A CN109886355B (zh) | 2019-03-06 | 2019-03-06 | 一种空中非合作目标固定翼要害点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910168268.9A CN109886355B (zh) | 2019-03-06 | 2019-03-06 | 一种空中非合作目标固定翼要害点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886355A CN109886355A (zh) | 2019-06-14 |
| CN109886355B true CN109886355B (zh) | 2022-12-06 |
Family
ID=66930957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910168268.9A Active CN109886355B (zh) | 2019-03-06 | 2019-03-06 | 一种空中非合作目标固定翼要害点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886355B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110307934A (zh) * | 2019-06-18 | 2019-10-08 | 合肥安杰特光电科技有限公司 | 一种基于图形分析的均匀物体质心实时检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001256474A (ja) * | 2000-03-10 | 2001-09-21 | Mitsubishi Electric Corp | 飛しょう体の照準点算定装置及び方法 |
| CN105335688A (zh) * | 2014-08-01 | 2016-02-17 | 深圳中集天达空港设备有限公司 | 一种基于视觉图像的飞机机型识别方法 |
| CN109410274A (zh) * | 2018-10-08 | 2019-03-01 | 武汉工程大学 | 一种高帧频条件下典型非合作目标要害点实时定位方法 |
-
2019
- 2019-03-06 CN CN201910168268.9A patent/CN109886355B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001256474A (ja) * | 2000-03-10 | 2001-09-21 | Mitsubishi Electric Corp | 飛しょう体の照準点算定装置及び方法 |
| CN105335688A (zh) * | 2014-08-01 | 2016-02-17 | 深圳中集天达空港设备有限公司 | 一种基于视觉图像的飞机机型识别方法 |
| CN109410274A (zh) * | 2018-10-08 | 2019-03-01 | 武汉工程大学 | 一种高帧频条件下典型非合作目标要害点实时定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886355A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11042755B2 (en) | Method for foreign object debris detection | |
| CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
| Jin et al. | Ellipse proposal and convolutional neural network discriminant for autonomous landing marker detection | |
| CN110472625B (zh) | 一种基于傅里叶描述子的象棋棋子视觉识别方法 | |
| CN106327528A (zh) | 无人机运动目标跟踪方法及无人机的工作方法 | |
| CN109886355B (zh) | 一种空中非合作目标固定翼要害点检测方法 | |
| CN112700498A (zh) | 一种基于深度学习的风力发电机叶尖定位方法及系统 | |
| Shang et al. | Vision-based runway recognition for uav autonomous landing | |
| Yang et al. | Aerial target tracking algorithm based on faster R-CNN combined with frame differencing | |
| CN116486290B (zh) | 一种无人机监测追踪方法、装置、电子设备及存储介质 | |
| CN109522893A (zh) | 一种空中非合作目标气球要害点快速的检测方法 | |
| CN115480589B (zh) | 基于无人机的风机巡检航线生成方法及系统 | |
| Muraviev et al. | Aerial vehicles detection and recognition for UAV vision system | |
| CN115457559B (zh) | 一种将文本及证照类图片智能摆正的方法、装置和设备 | |
| CN113781524B (zh) | 一种基于二维标签的目标追踪系统及方法 | |
| CN109410274B (zh) | 一种高帧频条件下典型非合作目标要害点实时定位方法 | |
| KR20200075073A (ko) | 풍력 발전기 블레이드 인식/분석 장치 및 방법 | |
| Feng et al. | Integration and Implementation of a Low-cost and Vision-based UAV Tracking System | |
| Zheng et al. | Rotation and affine-invariant SIFT descriptor for matching UAV images with satellite images | |
| CN104236518B (zh) | 一种基于光学成像与模式识别的天线主波束指向探测方法 | |
| Songtao et al. | Saliency detection of infrared image based on region covariance and global feature | |
| CN113298844A (zh) | 基于多特征融合和区域生长的低小慢目标跟踪方法及装置 | |
| Zhang et al. | Towards Robust Visual Tracking for Unmanned Aerial Vehicle with Spatial Attention Aberration Repressed Correlation Filters | |
| Li et al. | Design of UAV single object tracking algorithm based on feature fusion | |
| CN112149505B (zh) | 基于图像的无人机自主地面污染物定位方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |