CN111862006A - 一种小型飞行器的探测方法及装置 - Google Patents
一种小型飞行器的探测方法及装置 Download PDFInfo
- Publication number
- CN111862006A CN111862006A CN202010622417.7A CN202010622417A CN111862006A CN 111862006 A CN111862006 A CN 111862006A CN 202010622417 A CN202010622417 A CN 202010622417A CN 111862006 A CN111862006 A CN 111862006A
- Authority
- CN
- China
- Prior art keywords
- small aircraft
- preset
- algorithm
- track information
- image
- 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
- 238000001514 detection method Methods 0.000 title claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 22
- 230000008447 perception Effects 0.000 claims description 50
- 230000008859 change Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 238000013467 fragmentation Methods 0.000 description 3
- 238000006062 fragmentation reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种小型飞行器的探测方法及装置,能够有效提取小型飞行器的表观特征及有效剔除虚警目标。方法包括:基于预设的图像局部增强算法对视场空域图像进行处理,得到位于所述视场空域图像的图像增强区域的各疑似小型飞行器;生成所述各疑似小型飞行器的轨迹信息;基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息;确定所述目标轨迹信息对应的目标小型飞行器的位置信息。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种小型飞行器的探测方法及装置。
背景技术
目前,民用小型飞行器逐步普及,并广泛应用于各领域。小型飞行器通常指的是“低小慢”飞行目标,是指具有飞行速度慢、体积小、飞行高度低、且不易被军用和民用雷达侦测到的飞行器。鉴于低空空域的安全考虑,需要对小型飞行器进行管控。然而,低空空域的小型飞行器管制的相关法律、法规还不甚健全,在城市安全、要地防护、净空航运线路监视及反恐维稳等净空安防领域,对高威胁难发现的“低小慢”类的小型飞行器进行高时效、高准确的辨识、探测及跟踪有着迫切需求。
目前,针对小型飞行器的探测技术可以归纳为以下两类,一类是模板匹配类方法,该类方法主要依靠提取目标特征、建立目标模型和匹配模板集及相似度度量等技术对视场空域图像中假设的目标位置进行评估,寻找最佳匹配结果。典型的有:基于红外小目标的Mean-Shift检测跟踪算法,结合图像的统计特性与梯度直方图对目标进行描述,依靠Mean-Shift检测跟踪算法预测目标在场景中的位置。另一类是滤波估计类方法,该类方法主要通过深度学习建立目标的运动数学方程,利用数据估计方法对目标的运动状态进行预测,然后采用粒子滤波等方法提取真实目标位置。
但是,上述方法存在不足之处,在对小型飞行器进行探测的宽幅低分辨搜索阶段,具有大视场复杂空域下小型飞行器难发现的难点。上述第一类方法中仅基于特征差异性分析的策略难以有效提取小型飞行器的表观特征。上述第二类方法中小型飞行器的表观特征有限、低空空域遮挡问题使得大量虚警目标难以有效剔除。
发明内容
本发明的目的是提供一种小型飞行器的探测方法及装置,能够有效提取小型飞行器的表观特征及有效剔除虚警目标。
本发明实施例提供一种小型飞行器的探测方法,包括:
基于预设的图像局部增强算法对视场空域图像进行处理,得到位于所述视场空域图像的图像增强区域的各疑似小型飞行器;
生成所述各疑似小型飞行器的轨迹信息;
基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息;
确定所述目标轨迹信息对应的目标小型飞行器的位置信息。
可选地,所述图像局部增强算法包括图像局部方差算法及图像局部熵算法,所述基于预设的图像局部增强算法对视场空域图像进行处理,包括:
基于预设的所述图像局部方差算法及预设的所述图像局部熵算法构建尺度一致性感知模型;
基于所述尺度一致性感知模型对视场空域图像进行处理。
可选地,所述基于预设的所述图像局部方差算法及预设的所述图像局部熵算法构建尺度一致性感知模型,包括:
基于预设的所述图像局部方差算法计算所述视差空域图像的动态局部区域的方差变化量;
基于预设的所述图像局部熵算法计算所述动态局部区域的熵变化量;
基于所述方差变化量和所述熵变化量构建尺度一致性感知模型。
可选地,所述生成所述各疑似小型飞行器的轨迹信息,包括:
对任一所述疑似小型飞行器,分别采用预设跟踪算法和预设筛选器,得到第一轨迹信息和第二轨迹信息;
对所述第一轨迹信息和所述第二轨迹信息进行融合,得到融合后的所述各疑似小型飞行器的轨迹信息。
可选地,所述采用预设筛选器得到第二轨迹信息,包括:
基于预设的统计特性筛选器、级联决策树筛选器以及最近邻筛选器,得到第二轨迹信息。
可选地,所述基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息,包括:
基于预设的片段轨迹关联规则生成运动感知模型、时域感知模型及表观感知模型;
基于所述运动感知模型、时域感知模型及表观感知模型对各所述轨迹信息的轨迹片段进行轨迹间关联计算,得到满足预置关联条件的轨迹片段对应的目标轨迹信息。
本发明实施例提供一种小型飞行器的探测装置,包括:
处理单元,用于基于预设的图像局部增强算法对视场空域图像进行处理,得到位于所述视场空域图像的图像增强区域的各疑似小型飞行器;
生成单元,用于生成所述各疑似小型飞行器的轨迹信息;
筛选单元,用于基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息;
确定单元,用于确定所述目标轨迹信息对应的目标小型飞行器的位置信息。
可选地,所述图像局部增强算法包括图像局部方差算法及图像局部熵算法,所述处理单元,具体用于基于预设的所述图像局部方差算法及预设的所述图像局部熵算法构建尺度一致性感知模型;基于所述尺度一致性感知模型对视场空域图像进行处理。
本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法。
本发明实施例提供的小型飞行器的探测方法及装置,基于预设的图像局部增强算法,能够对图像增强区域内的小型飞行器的表观特征进行有效提取,以突出小型飞行器的主体部分。另外利用小型飞行器的运动轨迹特征从各疑似小型飞行器中筛选虚警小型飞行器。从而相对于现有技术,本发明能够有效提取小型飞行器的表观特征及有效剔除虚警目标。
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一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明小型飞行器的探测方法实施例流程图;
图2为本发明小型飞行器的探测装置实施例结构示意图;
图3为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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他实施例,都属于本发明保护的范围。
参见图1,本发明实施例公开了一种小型飞行器的探测方法,包括:
101、基于预设的图像局部增强算法对视场空域图像进行处理,得到位于视差空域图像的图像增强区域的各疑似小型飞行器;
针对视场空域下小型飞行器难发现的问题,提出了一种对小型飞行器的表观特征进行增强显示的方案,该方案中的小型飞行器的探测装置主要是采用图像局部增强算法对视场空域图像进行处理,以对图像增强区域的各疑似小型飞行器(疑似目标)的表观特征进行增强显示。
102、生成各疑似小型飞行器的轨迹信息;
经过前一阶段对各疑似目标的表观特征进行增强显示后,视场空域图像中的各疑似目标得以增强。然而,远距离疑似目标所能获取的表观特征有限,需要利用运动轨迹特征从各疑似目标中筛选非关注目标。由此,小型飞行器的探测装置在对各疑似目标的表观特征进行增强显示后,需要先生成各疑似小型飞行器的轨迹信息。
103、基于预设的片段轨迹关联规则对各轨迹信息进行筛选,得到筛选后的目标轨迹信息;
在前一阶段得到各疑似小型飞行器的轨迹信息后,小型飞行器的探测装置需要利用运动轨迹特征从各疑似目标中筛选非关注目标。考虑到小型飞行器的低空飞行特征,其常在楼宇及树木等遮挡体间穿梭,运动轨迹具有片段化特点,由此,小型飞行器的探测装置可以通过片段轨迹关联规则进行非关注目标的有效筛选。
104、确定目标轨迹信息对应的目标小型飞行器的位置信息。
通过对各轨迹信息进行筛选,得到筛选后的目标轨迹信息,实现了非关注目标的有效筛选,虚警目标得到了有效剔除的目的,之后小型飞行器的探测装置确定筛选后的目标轨迹信息对应的目标小型飞行器的位置信息,从而完成了小型飞行器的探测任务,实现了对小型飞行器的高置信感知。
本发明实施例提供的小型飞行器的探测方法,基于预设的图像局部增强算法,能够对图像增强区域内的小型飞行器的表观特征进行有效提取,以突出小型飞行器的主体部分。另外利用小型飞行器的运动轨迹特征从各疑似小型飞行器中筛选虚警小型飞行器。从而相对于现有技术,本发明实施例能够有效提取小型飞行器的表观特征及有效剔除虚警目标。
在前述方法实施例的基础上,步骤101中的图像局部增强算法包括图像局部方差算法及图像局部熵算法,基于预设的图像局部增强算法对视场空域图像进行处理,包括:
基于预设的图像局部方差算法及预设的图像局部熵算法构建尺度一致性感知模型;
基于尺度一致性感知模型对视场空域图像进行处理。
进一步的,上述基于预设的图像局部方差算法及预设的图像局部熵算法构建尺度一致性感知模型,包括:
基于预设的图像局部方差算法计算视差空域图像的动态局部区域的方差变化量;
基于预设的图像局部熵算法计算动态局部区域的熵变化量;
基于方差变化量和熵变化量构建尺度一致性感知模型。
具体地,图像局部方差作为图像纹理描述的手段可以有效地表征图像局部窗口内灰度分布的复杂情况,但是其作用效果与所选的尺度有关,当尺度较小或较大时都可能无法正确地反映局部区域内灰度分布的变化情况。图像局部方差算法的计算如下式所示:
式中D(x,R)代表以x为中心的局部区域R内的方差,i,j代表局部区域R内像素的坐标,g(i,j)代表像素(i,j)的灰度值,SR代表区域R内的像素总数。
图像局部熵作为图像纹理描述的手段也可以有效地表征图像局部窗口内灰度分布的复杂情况,但是其作用效果与所选择的尺寸有关,当尺度较小或较大时都可能无法正确地反映局部区域内灰度分布的变化情况,而且单尺度的局部熵会造成目标区域的扩散,这种扩散随尺度的增大将越发明显,进而会导致错误的结果。图像局部熵算法的计算如下式所示:
式中H(x,R)代表以x为中心的局部区域R内的熵,p(g,x,R)代表以x为中心的局部区域R内灰度g出现的概率。
当局部区域R的大小发生变化时,相对平坦的背景而言,其熵和标准差随尺度的变化较小,而显著性的区域(如小型飞行器的机翼、载荷等)在尺度变大时会逐渐将区域外的数据包含进局部区域R内,因此其局部熵和局部方差都会有明显变化。作为目标候选区域,其局部熵和方差随尺度变化所产生的变化量要明显大于平缓的空中背景。正是基于多尺度局部熵和方差的这一特点,本发明实施例使用多尺度方差熵的变化量来突出场景中的目标区域。以多尺度下的方差与熵乘积的最大值与最小值之差,构建尺度一致性感知模型来表征图像中的所有像素,进而达到凸显小型飞行器等弱小目标的目的。
可见,针对视场空域下小型飞行器难发现的问题,研究出一种基于尺度一致性感知模型的小型飞行器等弱小目标特征显著性增强技术。小型飞行器的探测装置通过分析弱小目标在不同尺度下的特征差异,模拟视觉系统对弱小目标边缘及结构特征的感知过程,利用尺度一致性原则构建具有局部方差-熵变量表征能力的感知模型,对宽幅低分辨下的空中弱小目标特征进行有效描述,从而在视场空域图像中突出疑似空中目标的主体部分,便于后续阶段感知搜索。
在前述方法实施例的基础上,步骤102中生成各疑似小型飞行器的轨迹信息,包括:
对任一疑似小型飞行器,分别采用预设跟踪算法和预设筛选器得到第一轨迹信息和第二轨迹信息;
对第一轨迹信息和第二轨迹信息进行融合,得到融合后的各疑似小型飞行器的轨迹信息。
进一步的,上述采用预设筛选器得到第二轨迹信息,包括:
基于预设的统计特性筛选器、级联决策树筛选器以及最近邻筛选器,得到第二轨迹信息。
其中,预设跟踪算法可以但不限于核相关滤波算法(Kernel CorrelationFilter,KCF)。
具体地,通过尺度一致性感知模型实现小型飞行器等弱小目标的显著性特征增强后,接着需要快速生成轨迹信息。本发明实施例可以采用KCF算法实现轨迹信息的快速生成。为使得KCF算法具有更好的特征感知能力,在训练KCF分类模型时将不同尺度的金字塔方向梯度直方图(Histogram of Oriented Gradient,HOG)特征作为输入,分别有针对性地训练岭回归分类器。同时为有效解决跟踪过程中的遮挡问题,在KCF算法架构下增加多维筛选器(筛选模块),结合KCF算法和多维筛选器的判定结果确定轨迹信息,以精确预测弱小目标的运动轨迹。
在KCF分类模型的训练阶段,利用循环矩阵理论,对包含空中小型飞行器目标的区域进行稠密采样,以获取正负样本,以不同尺度下提取的金字塔HOG特征为输入,通过所有样本对岭回归分类器进行训练。在运动轨迹预测阶段,以视频前一帧目标位置为中心进行稠密采样,将得到的所有样本输入到岭回归分类器中,经过岭回归分类器的分类,得到目标的运动轨迹的准确位置。
筛选器包括三个筛选器,分别是统计特性筛选器、级联决策树筛选器以及最近邻筛选器,输入的样本只有通过这三个筛选器才有可能成为目标区域。
将筛选器得到的结果与KCF算法得到的结果进行融合判定,共同输出目标的运动轨迹的位置信息。其中,存在以下三种情况:情况一,当筛选器与KCF算法都能得到目标的位置信息(筛选器可能得到多个目标位置信息),并且位置信息比较接近时,则将KCF算法得到的目标位置信息与筛选器得到的目标位置信息按照权重进行加权平均,得到一个新的目标位置信息。情况二,当筛选器与KCF算法得到的目标位置信息相差较大,并且筛选器得到的结果更加准确时,则以筛选器得到的结果为准重新初始化目标位置信息。情况三,当筛选器无法得到目标位置信息时,以KCF算法得到的结果为目标最终位置信息。
可见,小型飞行器的探测装置通过级联核相关滤波、多维特征筛选机制、融合判决策略三个关键步骤,能够精确生成疑似目标运动轨迹,便于后续利用运动轨迹特征进行非关注目标的筛选。
在前述方法实施例的基础上,步骤103中基于预设的片段轨迹关联规则对各轨迹信息进行筛选,得到筛选后的目标轨迹信息,包括:
基于预设的片段轨迹关联规则生成运动感知模型、时域感知模型及表观感知模型;
基于运动感知模型、时域感知模型及表观感知模型对各轨迹信息的轨迹片段进行轨迹间关联计算,得到满足预置关联条件的轨迹片段对应的目标轨迹信息。
具体地,考虑到小型飞行器的低空飞行特征,其常在楼宇及树木等遮挡体间穿梭,运动轨迹具有片段化特点,由此,小型飞行器的探测装置可以通过片段轨迹关联规则进行非关注目标的有效筛选。小型飞行器的探测装置可以通过三个相似性感知模型对空中目标的轨迹片段进行轨迹间关联计算,这三个相似性感知模型分别为运动感知模型、时域感知模型及表观感知模型。为了消除不准确轨迹产生的影响,对于每一个新输入的轨迹片段运用卡尔曼滤波方式提炼出对应检测响应的位置与尺寸信息。对于目标的表观信息,提出了一种新的基于学习性表观模型更新算法。在该算法中,从之前的局部与初步关联到的轨迹中提取在线训练样本,并且通过这个收集到的训练样本运用增量线性判别分析更新判别投影空间。通过将轨迹的表观模型投影到判别投影空间中,从而使得轨迹的表观特征更具区别性。通过初步关联和局部轨迹生成,可以得到轨迹片段集合。轨迹片段集合中的每个轨迹片段都存储着目标的时空信息、位置信息及尺寸信息。在对轨迹片段关联之前,需要对轨迹片段特征信息进行整合,使之符合关联算法要求。轨迹片段关联的主要计算公式如下:
轨迹片段间的关联概率计算公式如下:
通过计算增量线性表观模型Λ,获得表观相似性模型:
运动相似性模型定义为:
式中ΔT是轨迹的尾部与轨迹的头部之间的帧间隙;p和v是采用卡尔曼滤波提炼出的轨迹位置与速度信息。预测的位置与观察到的实际位置的差异服从高斯分布。时域模型为轨迹Ti与Tj提供了时间约束的前提条件,时域模型保证了两条轨迹在时间(帧数)上没有重叠,时间模型约束为:
式中,fi(s)是轨迹片段i的结束帧,fj(s)是轨迹片段j的起始帧。
综上,本发明实施例的小型飞行器的探测装置通过分析小型飞行器等弱小目标在不同尺度下的特征差异,模拟视觉系统对弱小目标边缘及结构特征的感知过程,利用尺度一致性原则构建具有局部方差-熵变量表征能力的感知模型,对宽幅低分辨下的空中弱小目标特征进行有效描述,从而在视场空域图像中突出疑似空中目标的主体部分,便于后续阶段感知搜索。
小型飞行器的探测装置通过级联核相关滤波、多维特征筛选机制、融合判决策略三个关键步骤,能够精确生成疑似目标运动轨迹,便于后续利用运动轨迹特征进行非关注目标的筛选。
考虑到小型飞行器的低空飞行特征,其常在楼宇及树木等遮挡体间穿梭,运动轨迹具有片段化特点,由此,小型飞行器的探测装置可以通过片段轨迹关联规则进行非关注目标的有效筛选。
基于上述实施例的内容,本发明实施例提供了一种小型飞行器的探测装置,该小型飞行器的探测装置用于执行上述方法实施例中提供的小型飞行器的探测方法。参见图2,该装置包括:
处理单元201,用于基于预设的图像局部增强算法对视场空域图像进行处理,得到位于所述视场空域图像的图像增强区域的各疑似小型飞行器;
生成单元202,用于生成所述各疑似小型飞行器的轨迹信息;
筛选单元203,用于基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息;
确定单元204,用于确定所述目标轨迹信息对应的目标小型飞行器的位置信息。
本发明实施例提供的小型飞行器的探测装置,基于预设的图像局部增强算法,能够对图像增强区域内的小型飞行器的表观特征进行有效提取,以突出小型飞行器的主体部分。另外利用小型飞行器的运动轨迹特征从各疑似小型飞行器中筛选虚警小型飞行器。从而相对于现有技术,本发明实施例能够有效提取小型飞行器的表观特征及有效剔除虚警目标。
在一些可选实施例中,所述图像局部增强算法包括图像局部方差算法及图像局部熵算法,所述处理单元201,具体用于基于预设的所述图像局部方差算法及预设的所述图像局部熵算法构建尺度一致性感知模型;基于所述尺度一致性感知模型对视场空域图像进行处理。
进一步的,所述处理单元201,具体用于基于预设的所述图像局部方差算法计算所述视差空域图像的动态局部区域的方差变化量;基于预设的所述图像局部熵算法计算所述动态局部区域的熵变化量;基于所述方差变化量和所述熵变化量构建尺度一致性感知模型。
在一些可选实施例中,所述生成单元202,具体用于对任一所述疑似小型飞行器,分别采用预设跟踪算法和预设筛选器得到第一轨迹信息和第二轨迹信息;对所述第一轨迹信息和所述第二轨迹信息进行融合,得到融合后的所述各疑似小型飞行器的轨迹信息。
进一步的,所述生成单元202,具体用于基于预设的统计特性筛选器、级联决策树筛选器以及最近邻筛选器,得到第二轨迹信息。
在一些可选实施例中,所述筛选单元203,具体用于基于预设的片段轨迹关联规则生成运动感知模型、时域感知模型及表观感知模型;基于所述运动感知模型、时域感知模型及表观感知模型对各所述轨迹信息的轨迹片段进行轨迹间关联计算,得到满足预置关联条件的轨迹片段对应的目标轨迹信息。
本发明实施例的小型飞行器的探测装置,可以用于执行前述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行如下方法:基于预设的图像局部增强算法对视场空域图像进行处理,得到位于所述视场空域图像的图像增强区域的各疑似小型飞行器;生成所述各疑似小型飞行器的轨迹信息;基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息;确定所述目标轨迹信息对应的目标小型飞行器的位置信息。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:基于预设的图像局部增强算法对视场空域图像进行处理,得到位于所述视场空域图像的图像增强区域的各疑似小型飞行器;生成所述各疑似小型飞行器的轨迹信息;基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息;确定所述目标轨迹信息对应的目标小型飞行器的位置信息。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种小型飞行器的探测方法,其特征在于,包括:
基于预设的图像局部增强算法对视场空域图像进行处理,得到位于所述视场空域图像的图像增强区域的各疑似小型飞行器;
生成所述各疑似小型飞行器的轨迹信息;
基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息;
确定所述目标轨迹信息对应的目标小型飞行器的位置信息。
2.根据权利要求1所述的小型飞行器的探测方法,其特征在于,所述图像局部增强算法包括图像局部方差算法及图像局部熵算法,所述基于预设的图像局部增强算法对视场空域图像进行处理,包括:
基于预设的所述图像局部方差算法及预设的所述图像局部熵算法构建尺度一致性感知模型;
基于所述尺度一致性感知模型对视场空域图像进行处理。
3.根据权利要求2所述的小型飞行器的探测方法,其特征在于,所述基于预设的所述图像局部方差算法及预设的所述图像局部熵算法构建尺度一致性感知模型,包括:
基于预设的所述图像局部方差算法计算所述视差空域图像的动态局部区域的方差变化量;
基于预设的所述图像局部熵算法计算所述动态局部区域的熵变化量;
基于所述方差变化量和所述熵变化量构建尺度一致性感知模型。
4.根据权利要求1所述的小型飞行器的探测方法,其特征在于,所述生成所述各疑似小型飞行器的轨迹信息,包括:
对任一所述疑似小型飞行器,分别采用预设跟踪算法和预设筛选器得到第一轨迹信息和第二轨迹信息;
对所述第一轨迹信息和所述第二轨迹信息进行融合,得到融合后的所述各疑似小型飞行器的轨迹信息。
5.根据权利要求4所述的小型飞行器的探测方法,其特征在于,所述采用预设筛选器得到第二轨迹信息,包括:
基于预设的统计特性筛选器、级联决策树筛选器以及最近邻筛选器,得到第二轨迹信息。
6.根据权利要求1-5任一项所述的小型飞行器的探测方法,其特征在于,所述基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息,包括:
基于预设的片段轨迹关联规则生成运动感知模型、时域感知模型及表观感知模型;
基于所述运动感知模型、时域感知模型及表观感知模型对各所述轨迹信息的轨迹片段进行轨迹间关联计算,得到满足预置关联条件的轨迹片段对应的目标轨迹信息。
7.一种小型飞行器的探测装置,其特征在于,包括:
处理单元,用于基于预设的图像局部增强算法对视场空域图像进行处理,得到位于所述视场空域图像的图像增强区域的各疑似小型飞行器;
生成单元,用于生成所述各疑似小型飞行器的轨迹信息;
筛选单元,用于基于预设的片段轨迹关联规则对各所述轨迹信息进行筛选,得到筛选后的目标轨迹信息;
确定单元,用于确定所述目标轨迹信息对应的目标小型飞行器的位置信息。
8.根据权利要求7所述的小型飞行器的探测装置,其特征在于,所述图像局部增强算法包括图像局部方差算法及图像局部熵算法,所述处理单元,具体用于基于预设的所述图像局部方差算法及预设的所述图像局部熵算法构建尺度一致性感知模型;基于所述尺度一致性感知模型对视场空域图像进行处理。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的小型飞行器的探测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述小型飞行器的探测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622417.7A CN111862006A (zh) | 2020-06-30 | 2020-06-30 | 一种小型飞行器的探测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622417.7A CN111862006A (zh) | 2020-06-30 | 2020-06-30 | 一种小型飞行器的探测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862006A true CN111862006A (zh) | 2020-10-30 |
Family
ID=72989396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622417.7A Pending CN111862006A (zh) | 2020-06-30 | 2020-06-30 | 一种小型飞行器的探测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862006A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930072A (zh) * | 2010-07-28 | 2010-12-29 | 重庆大学 | 基于多特征融合的红外弱小运动目标航迹起始方法 |
CN105654516A (zh) * | 2016-02-18 | 2016-06-08 | 西北工业大学 | 基于目标显著性的卫星图像对地面弱小运动目标检测方法 |
CN107240108A (zh) * | 2017-06-06 | 2017-10-10 | 衢州学院 | 基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法 |
CN107590496A (zh) * | 2017-09-18 | 2018-01-16 | 南昌航空大学 | 复杂背景下红外小目标的关联检测方法 |
CN109903272A (zh) * | 2019-01-30 | 2019-06-18 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、设备、计算机设备和存储介质 |
CN109977965A (zh) * | 2019-02-28 | 2019-07-05 | 北方工业大学 | 一种在遥感机场图像中确定检测目标的方法及装置 |
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
-
2020
- 2020-06-30 CN CN202010622417.7A patent/CN111862006A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930072A (zh) * | 2010-07-28 | 2010-12-29 | 重庆大学 | 基于多特征融合的红外弱小运动目标航迹起始方法 |
CN105654516A (zh) * | 2016-02-18 | 2016-06-08 | 西北工业大学 | 基于目标显著性的卫星图像对地面弱小运动目标检测方法 |
CN107240108A (zh) * | 2017-06-06 | 2017-10-10 | 衢州学院 | 基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法 |
CN107590496A (zh) * | 2017-09-18 | 2018-01-16 | 南昌航空大学 | 复杂背景下红外小目标的关联检测方法 |
CN109903272A (zh) * | 2019-01-30 | 2019-06-18 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、设备、计算机设备和存储介质 |
CN109977965A (zh) * | 2019-02-28 | 2019-07-05 | 北方工业大学 | 一种在遥感机场图像中确定检测目标的方法及装置 |
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
Non-Patent Citations (3)
Title |
---|
梁硕 等: "基于KCF框架的长时间视频目标跟踪算法", 《无线电通信技术》 * |
胡学伟: "基于轨迹关联的多目标跟踪", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵菲 等: "自适应双极性红外舰船目标分割算法", 《电子与信息学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A random forest classifier based on pixel comparison features for urban LiDAR data | |
Ju et al. | ISTDet: An efficient end-to-end neural network for infrared small target detection | |
CN108470332B (zh) | 一种多目标跟踪方法及装置 | |
US8660368B2 (en) | Anomalous pattern discovery | |
CN110633632A (zh) | 一种基于循环指导的弱监督联合目标检测和语义分割方法 | |
Liu et al. | A contrario comparison of local descriptors for change detection in very high spatial resolution satellite images of urban areas | |
Fu et al. | Aircraft recognition in SAR images based on scattering structure feature and template matching | |
CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
Li et al. | Unsupervised domain adaptation with self-attention for post-disaster building damage detection | |
CN115797736B (zh) | 目标检测模型的训练和目标检测方法、装置、设备和介质 | |
Xie et al. | Feature consistency-based prototype network for open-set hyperspectral image classification | |
Yang et al. | HCNN-PSI: A hybrid CNN with partial semantic information for space target recognition | |
CN115546260A (zh) | 目标识别跟踪方法、装置、电子设备及存储介质 | |
CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN114463624A (zh) | 一种应用于城市管理监督的违章建筑物检测方法及装置 | |
Dong et al. | High-precision real-time UAV target recognition based on improved YOLOv4 | |
Zhao et al. | Infrared small UAV target detection via isolation forest | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
Demars et al. | Multispectral detection and tracking of multiple moving targets in cluttered urban environments | |
Tian et al. | Glance and stare: Trapping flying birds in aerial videos by adaptive deep spatio-temporal features | |
CN109558771B (zh) | 海上船舶的行为状态识别方法、装置、设备及存储介质 | |
Mantini et al. | Camera Tampering Detection using Generative Reference Model and Deep Learned Features. | |
CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
CN111862006A (zh) | 一种小型飞行器的探测方法及装置 | |
CN113269125A (zh) | 一种人脸识别方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |