CN113112520A - 基于人工智能的无人机变向果冻效应处理方法与系统 - Google Patents

Abstract

本发明涉及人工智能领域，具体涉及一种基于人工智能的无人机变向果冻效应处理方法，该方法通过预测无人机的飞行方向，将飞行方向所对应的变向指标和历史果冻效应指标经过预测网络预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调整无人机的飞行速度。通过无人机的历史果冻效应指标和由预测的无人机飞行方向所对应的无人机变向指标预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调整无人机的飞行速度，一方面能够在不影响图像质量的前提下提高测绘效率，另一方面能够预防果冻效应的发生，保证图像的质量。

Description

基于人工智能的无人机变向果冻效应处理方法与系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的无人机变向果冻效应处理方法与系统。

背景技术

作为一种先进的航拍技术，无人机技术也被称之为无人驾驶或者无人航拍遥感技术，其结合了GPS运行技术，这种科学且先进的运行手段，在城市化航测过程中有着广阔的应用空间。

发明人在实践中，发现上述现有技术存在以下缺陷：在进行城市测绘过程中，由于无人机共振、偏航以及外界环境等使得航拍图像出现果冻效应。特别是无人机变向时，会使测绘过程中的航拍影像严重畸变，果冻效应指标增加，最终导致测绘结果出现很大偏差。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的无人机变向果冻效应处理方法与系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的无人机变向果冻效应处理方法，该方法包括具体以下步骤：

利用无人机即将变向时所对应的最后帧城市区域图像中建筑物角点的数量和建筑物边缘线的数量，得到所述城市区域图像中每个子区域的密集度，进而根据所述密集度预测所述无人机的飞行方向；

根据所述无人机的飞行速度和所述飞行方向所对应的变向程度预测所述无人机变向时的变向指标；所述变向程度是根据所述无人机在不同飞行方向上所对应的飞行角度进行量化得到的；

根据历史果冻效应指标和预测的所述变向指标预测所述无人机变向时的果冻效应指标，进而根据预测的所述果冻效应指标调节所述无人机的所述飞行速度。

进一步地，所述历史果冻效应指标的获取方法，包括:

根据所述无人机采集的城市区域图像中建筑物角点的光流信息得到对应的光流图像；

根据相邻所述光流图像中所述建筑物角点的所述光流信息得到图像特征差异值；

根据所述无人机的飞行速度和对应的变向程度获取所述无人机的历史变向指标；

通过由所述图像特征差异值和所述历史变向指标建立的果冻效应指标分析模型得到所述历史果冻效应指标。

进一步地，所述城市区域图像中每个子区域是以所述城市区域图像的中心为辐射分割中心进行区域分割得到的。

进一步地，所述子区域的所述密集度与所述建筑物角点的数量、所述建筑物边缘线的数量呈正相关。

进一步地，所述根据所述密集度预测所述无人机的飞行方向的方法，进一步包括：

选择所述密集度最大时所对应所述子区域作为所述无人机的所述飞行方向。

进一步地，所述根据预测的所述果冻效应指标调节所述无人机的所述飞行速度，包括：

当所述预测的果冻效应指标大于果冻效应的程度阈值时，降低所述无人机的所述飞行速度；否则，提高所述无人机的所述飞行速度。

第二方面，本发明另一个实施例提供了一种基于人工智能的无人机变向果冻效应处理系统，该系统包括：

飞行方向预测单元，用于利用无人机即将变向时所对应的最后帧城市区域图像中建筑物角点的数量和建筑物边缘线的数量，得到所述城市区域图像中每个子区域的密集度，进而根据所述密集度预测所述无人机的飞行方向；

变向指标预测单元，用于根据所述无人机的飞行速度和所述飞行方向所对应的变向程度预测所述无人机变向时的变向指标；所述变向程度是根据所述无人机在不同飞行方向上所对应的飞行角度进行量化得到的；

飞行速度调节单元，用于根据历史果冻效应指标和预测的所述变向指标预测所述无人机变向时的果冻效应指标，进而根据预测的所述果冻效应指标调节所述无人机的所述飞行速度。

进一步地，所述飞行速度调节单元，包括：

图像处理单元，用于根据所述无人机采集的城市区域图像中建筑物角点的光流信息得到对应的光流图像；

差异分析单元，用于根据相邻所述光流图像中所述建筑物角点的所述光流信息得到图像特征差异值；

变向检测单元，用于根据所述无人机的飞行速度和对应的变向程度获取所述无人机的历史变向指标；

果冻效应获取单元，用于通过由所述图像特征差异值和所述历史变向指标建立的果冻效应指标分析模型得到所述历史果冻效应指标。

进一步地，所述飞行方向预测单元中所述根据所述密集度预测所述无人机的飞行方向的方法，进一步包括：

选择所述密集度最大时所对应所述子区域作为所述无人机的所述飞行方向。

进一步地，所述飞行速度调节单元中所述根据预测的所述果冻效应指标调节所述无人机的所述飞行速度，包括：

当所述预测的果冻效应指标大于果冻效应的程度阈值时，降低所述无人机的所述飞行速度；否则，提高所述无人机的所述飞行速度。

本发明至少存在以下有益效果：通过无人机的历史果冻效应指标和由预测的无人机飞行方向所对应的无人机变向指标预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调整无人机的飞行速度，一方面能够在不影响图像质量的前提下提高测绘效率，另一方面能够预防果冻效应的发生，保证图像的质量。

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和优点，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的介绍，显而易见地，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附图。

图1为本发明一个实施例所提供的一种基于人工智能的无人机变向果冻效应处理方法的流程图；

图2为本发明一个实施例所提供的一种基于人工智能的无人机变向果冻效应处理方法的步骤流程图；

图3为本发明实施例所提供的关于无人机飞行方向的范围区间示例图；

图4为本发明另一个实施例所提供的一种基于人工智能的无人机变向果冻效应处理系统的结构框图；

图5为本发明实施例所提供的关于飞行速度调整单元的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的无人机变向果冻效应处理方法与系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的无人机变向果冻效应处理方法与系统的具体方案。

本发明所适用的具体场景为：在城市测绘过程中，用于对无人机变向航拍时，图像果冻效应的检测和处理。

参照附图1和附图2，本发明实施例提供了一种基于人工智能的无人机变向果冻效应处理方法，该方法包括以下具体步骤：

步骤S001，利用无人机即将变向时所对应的最后帧城市区域图像中建筑物角点的数量和建筑物边缘线的数量，得到城市区域图像中每个子区域的密集度，进而根据密集度预测无人机的飞行方向。

具体的，本发明实施例中通过无人机携带的相机采集城市区域图像，且相机拍摄视角方向与无人机飞行方向一致。

需要说明的是，相机必须安装牢固，防止无人机变向等外界情况变化时相机的大幅度移动。

为预测无人机的飞行方向，本发明实施例提出结合相机采集的城市区域图像进行判断分析。由于该方法主要适用在城市地形测绘，因此为了预测无人机的飞行方向，本发明实施例提出图像密集度估计模型，即根据图像中的建筑物特征分析建筑物密集度的变化趋势。

图像密集度估计模型具体为：本发明实施例对无人机采集的城市区域图像进行区域分割处理，即以城市区域图像的中心为辐射分割中心进行区域分割，进而将图像平均分割成多个子区域。

优选的，本发明实施例中对图像进行区域分割的方法为米字区域分割法，即将米字中心点与图像的中心点重合，然后基于米字将图像分为8个子区域。

进一步的，基于区域分割后的图像进行图像密集度计算，由于对于城市测绘来说，无人机主要飞向建筑物较多的区域，以便进行城市建筑物的规划记录，因此，本发明实施例利用角点检测算法以及霍夫直线检测算法获取每个子区域的密集度，具体方法为：首先利用角点检测算法检测每个子区域的建筑物角点，且为提高建筑物检测精度，避免将一些树木角点以及特殊物体的角点误判为建筑物角点，本发明实施例将同时利用Sobel边缘检测算子对每个子区域进行建筑物边缘检测，然后采用霍夫直线检测算法检测每个子区域的直线。同时为了防止无人机飞向方向的不确定性，保证机载相机不会多次重复采集相同的建筑物数据，本发明实施例设定特征相似度分析模型，对于连续多帧图像中特征一致的角点、直线，将其舍弃，不计算在每个子区域的建筑物角点的实际数量和直线的实际数量，则图像密集度估计模型的表达式为：

F_n＝c₁M_n+c₂N_n

其中，F_n为第n个子区域的密集度；M_n为第n个子区域的建筑物角点数量；N_n为第n个子区域的直线数量；c₁为建筑物角点数量的参数值；c₂为直线数量的参数值。

优选的，本发明实施例中c₁＝0.5、c₂＝0.5，在其他实施例中，实施者可自行选取。

因此，可根据图像密集度估计模型得到图像中每个子区域的密集度。

为提高无人机飞行方向预测的准确度，本发明实施例设定每隔T分钟对无人机飞行区域进行一次预测，在T时间段内无人机的飞行方向不变，且T时间段内无人机的飞行方向将由上个T时段内的图像密集度来预测。

优选的，本发明实施例设置T为5分钟，在其他实施例中，T的取值实施者可自行选取。

进一步地，根据各子区域的密集度情况预测无人机的飞行方向，本发明实施例将设置以下规则：选择无人机即将变向时所对应的最后帧城市区域图像，根据最后帧图像中各个子区域的密集度预测无人机下一个5分钟内的飞行方向。

具体的，本发明实施例利用图像密集度估计模型能够获得最后帧图像中每个子区域的密集度，进而将密集度最大所对应的子区域作为无人机即将飞行的方向。

步骤S002，根据无人机的飞行速度和飞行方向所对应的变向程度得到无人机变向时的变向指标；变向程度是根据无人机在不同方向上所对应的飞行角度进行量化得到的。

其中，本发明实施例根据无人机的IMU示数进行数据量化得到无人机的变向程度K，即根据无人机在不同方向上所对应的飞行角度进行量化得到的，进而结合无人机的变向程度和飞行速度得到无人机的变向指标。

具体的，本发明实施例将无人机变向范围分为四个区间，分别为：[0°，45°]，[45°，90°]，[90°，135°]，[135°，180°]，，分别对应4个不同的变向程度K，其中在区间[0°，45°]中根据无人机对应的飞行角度进行量化得到的变向程度K为1；在区间[45°，90°]中根据无人机对应的飞行角度进行量化得到的变向程度K为2；在区间[90°，135°]中根据无人机对应的飞行角度进行量化得到的变向程度K为3；在区间[135°，180°]中根据无人机对应的飞行角度进行量化得到的变向程度K为4，对应数字越大，变向程度越高。

参照图3所示，相对无人机当前飞行方向，左右变向角度相同时，左右变向的变向程度大小也相同，即左变向时的[0°，45°]区间和右变向时的[0°，45°]区间对应的变向程度一致。

无人机的变向指标是指不同速度不同变向角度下的无人机变向趋势，因此，本发明实施例根据无人机的飞行速度和无人机的变向程度构建无人机的变向指标模型，以获取无人机的变向指标，所述变向指标模型的表达式为：

τ＝Vln(aK+e)

其中，τ为无人机的变向指标；V为无人机的飞行速度；K为无人机的变向程度；a为变向程度的优化系数，在本发明实施例中a＝2。

因此，本发明实施例根据预测的无人机变向时的飞行方向，能够得到飞行方向对应的变向程度，进而结合无人机的变向指标模型能够预测无人机变向时的变向指标。

步骤S003，根据历史果冻效应指标和预测的变向指标预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调节无人机的飞行速度。

具体的，为缓解下一时段无人机变向时的果冻效应指标，也即为了防止无人机变向时采集的图像出现果冻效应，因此本发明将采用预测网络对下一时段无人机变向时的果冻效应进行预测，以便实时对无人机变向方式进行调节，以保证无人机变向时的航拍图像质量。

预测模型为：根据历史果冻效应指标以及预测的变向指标，经预测网络对无人机变向时的果冻效应进行预测，以获取无人机变向后的果冻效应指标。

需要说明的是，预测网络有很多：GRNN神经网络模型、RBF神经网络模型以及TCN神经网络模型等，本发明实施例采用TCN神经网络模型实现无人机变向时的果冻效应预测。

进一步地，为保证无人机测绘航拍质量，本发明实施例将对果冻效应指标设置程度阈值w_T，用于对预测的果冻效应指标进行对比分析，在此需要说明，程度阈值w_T是测绘人员根据测绘环境等因素自行设定。

本发明实施例将预测的果冻效应指标与程度阈值进行对比，并根据对比结果调节无人机的飞行速度，具体的速度调节模型为：

V′＝V[1+(w_T-w′)]

其中，V′为根据预测的果冻效应指标进行调节后无人机的飞行速度；w′为预测的果冻效应指标。

根据速度调节模型可知，当w_T＞w′时，则本发明实施例认为无人机即将进行变向时的果冻效应程度较低，不会对无人机航拍图像质量造成影响，可根据速度调节模型适当提高无人机的飞行速度，在保证航拍质量的同时能够节省测绘时间，提高整体测绘效率；当w_T＜w′时，则认为无人机进行下一时段变向时无人机采集的图像的果冻效应程度较高，严重影响测绘精度，将根据速度调节模型调节无人机的飞行速度，以缓解无人机变向时的果冻效应指标，保证图像质量。

进一步地，本发明实施例中无人机的历史果冻效应指标的获取方法，具体为：

由于相机的成像方式为逐行曝光的方式，从而导致每帧图像内每行曝光的时间起始点有差异，当无人机在进行变向时，摄像机较大幅度的震动会导致每帧图像中像素点的偏移不同，从而导致图像畸变加重，因此本发明实施例通过对城市区域图像中的特征点进行处理来获取对应的光流图像，具体的处理方法为：将RGB图像进行灰度化得到灰度图像，利用角点检测算法对灰度图像进行特征点检测，为了排除被拍摄的物体自身运动对果冻效应指标检测影响，本发明实施例以静止物体作为特征点，进而选择以建筑物角点作为特征点；利用光流算法得到当前灰度图像的光流信息，即利用相邻两帧图像之间像素点的移动来获得各个特征点的运动情况，该运动情况记为(V_x，V_y)，也即代表光流信息。

进一步地，由于当图像中存在果冻效应时，静止像素点在不同行之间的存在时间差，导致静止像素点在不同行之间的光流信息存在差异，该差异程度可以反应图像果冻效应的严重程度，因此，本发明实施例根据获得的建筑物角点所对应的光流信息，分析相邻帧光流图像中对应角点光流信息的变化以得到图像的差异程度。

具体的，本发明实施例根据相邻两帧光流图像对静止物体的角点像素进行逐行分析，得到对应的特征差异指标，在此需要说明，无人机变向时，如果图像没有发生果冻效应则相邻两帧光流大小一致，当图像反生果冻效应时，相邻两帧光流图像的光流大小会出现变化，本发明实施例将根据相邻两帧光流大小变化情况获取图像特征差异值，其中图像特征差异值的具体获取方法为：

本发明实施例针对两帧光流图像进行逐个建筑物角点的光流信息计算分析，为便于后续分析光流信息变化情况。首先将通过光流处理模型得到的光流数据来代表建筑物角点的光流信息，即光流处理模型为：

式中，V_L为经过处理后的光流信息，根据光流处理模型可分别获取两帧光流图像中的建筑物角点的光流信息序列：

{V_L1，V_L2，...V_Li}

{V′_L1，V′_L2，...V′_Li}，

其中，V_Li为当前帧的光流图像中第i个建筑物角点的光流信息；V′_Li为下一帧的光流图像中第i个建筑物角点的光流信息。

为得到无人机变向时果冻效应引起的图像特征差异值，本发明实施例将根据相邻光流图像中的光流信息序列进行分析判断，通过构建光流差异分析模型来分析两个光流信息序列中对应建筑物角点的光流信息的变化情况，所述光流差异分析模型表达式为：

利用光流差异模型得到所有建筑物角点的光流变化序列{L₁，L₂，...L_i}，其中L_i代表第i个建筑物角点的光流变化，进而对获取的光流变化序列进行处理分析，也即基于光流变化序列分析图像特征差异值。本发明实施例根据所获取的光流变化序列构建图像特征差异模型，分析无人机变向时图像的特征信息，所述图像特征差异模型的表达式为：

其中，D为图像特征差异值，且该图像特征差异值越大，说明图像之间的差异性越大，对应的果冻效应越严重；L_k为第k个建筑物角点的光流变化；i为建筑物角点的数量。

进一步地，本发明实施例利用步骤S002中的变向指标模型能够获取无人机所对应的历史变向指标，进而结合图像特征差异值和无人机的历史变向指标构建果冻效应指标分析模型，基于该模型可获取无人机不同变向下的历史果冻效应指标。对获取的图像特征差异值以及无人机变向指标进行归一化，得到归一化之后的图像特征差异值和无人机的变向指标，所述果冻效应指标分析模型具体为：

式中，w为无人机的历史果冻效应指标；D_n为第n张图像的图像特征差异值；τ_n为第n张图像所对应的无人机的变向指标。

综上所述，本发明实施例提供了一种基于人工智能的无人机变向果冻效应处理方法，该方法通过利用无人机即将变向时所对应的最后帧城市区域图像中建筑物角点的数量和建筑物边缘线的数量，得到城市区域图像中每个子区域的密集度，根据子区域的密集度预测无人机的飞行方向，进而通过将飞行方向所对应的变向指标和历史的果冻效应指标经过预测网络预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调整无人机的飞行速度。通过无人机的历史果冻效应指标和由预测的无人机飞行方向所对应的无人机变向指标预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调整无人机的飞行速度，一方面能够在不影响图像质量的前提下提高测绘效率，另一方面能够预防果冻效应的发生，保证图像的质量。

基于与上述方法相同的发明构思，本发明实施例提供了一种基于人工智能的无人机变向果冻效应处理系统。

参照附图4，本发明实施例提供了一种基于人工智能的无人机变向果冻效应处理系统，该系统包括：飞行方向预测单元10、变向指标预测单元20以及飞行速度调节单元30。

飞行方向预测单元10用于利用无人机即将变向时所对应的最后帧城市区域图像中建筑物角点的数量和建筑物边缘线的数量，得到城市区域图像中每个子区域的密集度，进而根据密集度预测无人机的飞行方向。

变向指标预测单元20用于根据无人机的飞行速度和飞行方向所对应的变向程度预测无人机变向时的变向指标；变向程度是根据无人机在不同飞行方向上所对应的飞行角度进行量化得到的。

飞行速度调节单元30用于根据历史果冻效应指标和预测的变向指标预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调节无人机的飞行速度。

进一步地，参照附图5，飞行速度调节单元30包括图像处理单元31、差异分析单元32、变向检测单元33以及果冻效应获取单元34：

图像处理单元31用于根据无人机采集的城市区域图像中建筑物角点的光流信息得到对应的光流图像。

差异分析单元32用于根据相邻光流图像中建筑物角点的光流信息得到图像特征差异值。

变向检测单元33用于根据无人机的飞行速度和对应的变向程度获取无人机的历史变向指标。

果冻效应获取单元34用于通过由图像特征差异值和历史变向指标建立的果冻效应指标分析模型得到历史果冻效应指标。

进一步地，飞行方向预测单元10中根据密集度预测无人机的飞行方向的方法，进一步包括：

选择密集度最大时所对应子区域作为无人机的飞行方向。

进一步地，飞行速度调节单元30中根据预测的果冻效应指标调节无人机的飞行速度，包括：

当预测的果冻效应指标大于果冻效应的程度阈值时，降低无人机的飞行速度；否则，提高无人机的飞行速度。

综上所述，本发明实施例提供了一种基于人工智能的无人机变向果冻效应处理系统，该系统通过飞行方向预测单元10利用无人机即将变向时所对应的最后帧城市区域图像中建筑物角点的数量和建筑物边缘线的数量，得到城市区域图像中每个子区域的密集度，根据子区域的密集度预测无人机的飞行方向；在变向指标预测单元20得到无人机的飞行方向所对应的变向指标；通过飞行速度调节单元30将飞行方向所对应的变向指标和历史的果冻效应指标经过预测网络预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调整无人机的飞行速度。通过无人机的历史果冻效应指标和由预测的无人机飞行方向所对应的无人机变向指标预测无人机变向时的果冻效应指标，进而根据预测的果冻效应指标调整无人机的飞行速度，一方面能够在不影响图像质量的前提下提高测绘效率，另一方面能够预防果冻效应的发生，保证图像的质量。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种基于人工智能的无人机变向果冻效应处理方法，其特征在于，该方法包括：

利用无人机即将变向时所对应的最后帧城市区域图像中建筑物角点的数量和建筑物边缘线的数量，得到所述城市区域图像中每个子区域的密集度，进而根据所述密集度预测所述无人机的飞行方向；

根据所述无人机的飞行速度和所述飞行方向所对应的变向程度预测所述无人机变向时的变向指标；所述变向程度是根据所述无人机在不同飞行方向上所对应的所述飞行角度进行量化得到的；

根据历史果冻效应指标和预测的所述变向指标预测所述无人机变向时的果冻效应指标，进而根据预测的所述果冻效应指标调节所述无人机的所述飞行速度。

2.如权利要求1所述的方法，其特征在于，所述历史果冻效应指标的获取方法，包括:

根据所述无人机采集的城市区域图像中建筑物角点的光流信息得到对应的光流图像；

根据相邻所述光流图像中所述建筑物角点的所述光流信息得到图像特征差异值；

根据所述无人机的飞行速度和对应的变向程度获取所述无人机的历史变向指标；

通过由所述图像特征差异值和所述历史变向指标建立的果冻效应指标分析模型得到所述历史果冻效应指标。

3.如权利要求1所述的方法，其特征在于，所述城市区域图像中每个子区域是以所述城市区域图像的中心为辐射分割中心进行区域分割得到的。

4.如权利要求1所述的方法，其特征在于，所述子区域的所述密集度与所述建筑物角点的数量、所述建筑物边缘线的数量呈正相关。

5.如权利要求2所述的方法，其特征在于，所述根据所述密集度预测所述无人机的飞行方向的方法，进一步包括：

选择所述密集度最大时所对应所述子区域作为所述无人机的所述飞行方向。

6.如权利要求1所述的方法，其特征在于，所述根据预测的所述果冻效应指标调节所述无人机的所述飞行速度，包括：

当所述预测的果冻效应指标大于果冻效应的程度阈值时，降低所述无人机的所述飞行速度；否则，提高所述无人机的所述飞行速度。

7.一种基于人工智能的无人机变向果冻效应处理系统，其特征在于，该系统包括：

飞行方向预测单元，用于利用无人机即将变向时所对应的最后帧城市区域图像中建筑物角点的数量和建筑物边缘线的数量，得到所述城市区域图像中每个子区域的密集度，进而根据所述密集度预测所述无人机的飞行方向；

变向指标预测单元，用于根据所述无人机的飞行速度和所述飞行方向所对应的变向程度预测所述无人机变向时的变向指标；所述变向程度是根据所述无人机在不同飞行方向上所对应的飞行角度进行量化得到的；

飞行速度调节单元，用于根据历史果冻效应指标和预测的所述变向指标预测所述无人机变向时的果冻效应指标，进而根据预测的所述果冻效应指标调节所述无人机的所述飞行速度。

8.如权利要求7所述的方法，其特征在于，所述飞行速度调节单元，包括：

图像处理单元，用于根据所述无人机采集的城市区域图像中建筑物角点的光流信息得到对应的光流图像；

差异分析单元，用于根据相邻所述光流图像中所述建筑物角点的所述光流信息得到图像特征差异值；

变向检测单元，用于根据所述无人机的飞行速度和对应的变向程度获取所述无人机的历史变向指标；

果冻效应获取单元，用于通过由所述图像特征差异值和所述历史变向指标建立的果冻效应指标分析模型得到所述历史果冻效应指标。

9.如权利要求7所述的方法，其特征在于，所述飞行方向预测单元中所述根据所述密集度预测所述无人机的飞行方向的方法，进一步包括：

选择所述密集度最大时所对应所述子区域作为所述无人机的所述飞行方向。

10.如权利要求7所述的方法，其特征在于，所述飞行速度调节单元中所述根据预测的所述果冻效应指标调节所述无人机的所述飞行速度，包括：

当所述预测的果冻效应指标大于果冻效应的程度阈值时，降低所述无人机的所述飞行速度；否则，提高所述无人机的所述飞行速度。

Images