CN113392723A - 基于人工智能的无人机迫降区域筛选方法、装置及设备 - Google Patents
基于人工智能的无人机迫降区域筛选方法、装置及设备 Download PDFInfo
- Publication number
- CN113392723A CN113392723A CN202110570802.6A CN202110570802A CN113392723A CN 113392723 A CN113392723 A CN 113392723A CN 202110570802 A CN202110570802 A CN 202110570802A CN 113392723 A CN113392723 A CN 113392723A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- acquiring
- area
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012216 screening Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000003068 static effect Effects 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 16
- 238000012502 risk assessment Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping 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
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
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迫降区域筛选方法、装置及设备。该方法包括：对无人机采集的图像进行静止目标筛选，进而获取无人机的晃动程度；根据晃动程度确定无人机出现异常时，获取无人机出现异常之前的多帧静止目标图像；根据预设网格对多帧静止目标图像进行区域划分，通过对每个区域的色彩、亮度以及边缘进行分析获取相应的异常指标；根据异常指标获取每个区域的危险评估参数，通过危险评估参数筛选初步安全区域；使无人机向初步安全区域降落，在降落过程中实时采集图像并获取实时危险评估参数，根据实时危险评估参数获取实时的迫降区域。本发明实施例能够准确地找到当下最优、最安全的迫降区域。
Description
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迫降区域筛选方法、装置及设备。
背景技术
无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。目前无人机在航拍、测绘、救援、监控等领域用处广泛。无人机通过搭载相机镜头实现拍摄、测绘等工作，大多数相机镜头采用卷帘快门完成拍摄，能够很好地控制曝光时间和减少噪声点，同时相对于全局快门功耗低。
无人机在飞行过程中，可能会出现自身故障导致动力异常不能及时处理或处理不当，导致无人机损坏的情况，此时需要紧急迫降到安全的区域，避免无人机坠毁造成财物损失或者重要数据丢失。
发明人在实践中，发现上述现有技术存在以下缺陷：
目前对无人机紧急迫降的研究一般通过已知地图挑选最近的安全区域作为迫降地点，当最近的安全区域与无人机当前位置的距离过远时，可能会使无人机未到达迫降地点时坠毁；或者随着降落的航迹变化，最初挑选的迫降地点并非是最优的迫降地点。
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迫降区域筛选方法、装置及设备，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迫降区域筛选方法，该方法包括以下步骤：
对无人机采集的图像进行静止目标筛选，获取静止目标图像，根据所述静止目标图像中静止目标的变化获取无人机的晃动程度；
根据所述晃动程度确定所述无人机出现异常时，获取所述无人机出现异常之前的多帧静止目标图像；根据预设网格对所述多帧静止目标图像进行区域划分，通过对每个区域的色彩、亮度以及边缘进行分析获取相应的异常指标；根据所述异常指标获取每个区域的危险评估参数，通过所述危险评估参数筛选初步安全区域；
使所述无人机向所述初步安全区域降落，在降落过程中实时采集图像并获取实时危险评估参数，根据所述实时危险评估参数获取实时的迫降区域。
优选的，所述色彩的分析方法为：
记录每个所述区域中的色彩变化次数，根据所述色彩变化次数和采样时间间隔获取色彩复杂度。
优选的，所述亮度的分析方法为：
根据亮度对每个所述区域划分子区域，计算同一亮度的所述子区域的面积与所述区域的面积的比值，进而获取所述区域的区域亮度熵。
优选的，所述边缘的分析方法为：
根据当前区域的边缘数量获取边缘复杂度。
优选的，所述危险评估参数的获取方法为：
根据所述色彩复杂度与所述区域亮度熵的加权求和与所述边缘复杂度的乘积获取所述危险评估参数。
优选的，所述静止目标筛选使用光流法。
优选的，所述筛选初步安全区域的方法为：
对比所有所述区域的所述危险评估参数，筛选所述危险评估参数最小的区域作为所述初步安全区域。
优选的，所述实时危险评估参数的获取方法为：
根据实时采集的图像中的所述色彩复杂度、所述区域亮度熵以及实时晃动程度获取所述实时危险评估参数。
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迫降区域筛选装置，所述装置包括：
晃动程度获取模块，用于对无人机采集的图像进行静止目标筛选，获取静止目标图像，根据所述静止目标图像中静止目标的变化获取无人机的晃动程度；
初步安全区域筛选模块，用于根据所述晃动程度确定所述无人机出现异常时，获取所述无人机出现异常之前的多帧静止目标图像；根据预设网格对所述多帧静止目标图像进行区域划分，通过对每个区域的色彩、亮度以及边缘进行分析获取相应的异常指标；根据所述异常指标获取每个区域的危险评估参数，通过所述危险评估参数筛选初步安全区域；
迫降区域获取模块，用于使所述无人机向所述初步安全区域降落，在降落过程中实时采集图像并获取实时危险评估参数，根据所述实时危险评估参数获取实时的迫降区域。
第三方面，本发明另一个实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现上述基于人工智能的无人机迫降区域筛选方法的步骤。
本发明实施例具有至少如下有益效果：
1、先筛选初步安全区域，使无人机向初步安全区域降落，在降落过程中同时获取实时图像的实时危险评估参数，进一步更新安全区域，最终迫降，能够更加准确地筛选当下最优的迫降区域。
2、通过光流信息结合无人机自身的运动完成对图像中的目标进行精确筛选，避免因为无人机自身原因导致的静止目标误识别。
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迫降区域筛选方法的流程图；
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迫降区域筛选方法的步骤流程图；
图3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迫降区域筛选装置的结构框图；
图4为本发明一个实施例所提供的一种电子设备的内部结构图。
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迫降区域筛选方法、装置及设备，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迫降区域筛选方法、装置及设备的具体方案。
请参阅图1和图2，图1示出了本发明一个实施例提供的基于人工智能的无人机迫降区域筛选方法的流程图；图2示出了本发明一个实施例提供的基于人工智能的无人机迫降区域筛选方法的步骤流程图；该方法包括以下步骤：
步骤S001，对无人机采集的图像进行静止目标筛选，获取静止目标图像，根据静止目标图像中静止目标的变化获取无人机的晃动程度。
具体的步骤包括：
1)采集图像，对图像进行去噪处理。
无人机采集实时图像，对图像进行去噪处理，降低传输中的椒盐噪声。
作为一个示例，本发明实施例中使用中值滤波去噪，在其他实施例中，也可以采用能够达到相同效果的其他去噪方法。
2)对去噪处理后的图像进行静止目标筛选。
具体的，对图像中像素点的运动情况进行判断，结合无人机自身的飞行速度得到图像中静止的目标像素点集合。
通过光流法获得相邻两帧之间像素点的位移变化，进而得到各像素点的运动情况，即像素点的光流信息，记为(Vx，Vy)；根据无人机的速度传感器得到无人机的飞行速度v。
图像中静止目标像素点的光流变化方向与无人机运动方向相反，光流运动大小与无人机一致，此处曝光速度很快可以忽略不计。
因此：
通过此方法完成对图像中静止目标像素点的筛选，相对的其他像素点即为运动目标像素点。
将静止像素点的像素值置为1，运动像素点的像素值置为0，获取二值图像，将该二值图像与原图像相乘得到静止目标图像。
3)获取无人机的晃动程度。
具体的，根据静止目标图像的光流信息，捕捉无人机的实时晃动，并根据实时的风向和IMU传感器的示数变化来验证无人机的异常情况，排除因横风造成的无人机瞬时异常晃动。
根据静止像素点的光流信息变化得到晃动指标E：
其中，
表示无人机第i帧静止目标图像的光流信息，
表示第i-1帧静止目标图像的光流信息。
在无人机稳定飞行的过程中，静止目标像素点的光流信息变化几乎相同，利用全局光流信息均值ΔE与实时变化的光流信息E求均方差S，来反映无人机运动过程中静止像素点的异常变化。
其中，S表示光流信息变化值，S越大表示无人机异常晃动越严重。将S进行极大极小值归一化，获得无人机的晃动程度，归一化后的值越接近于1，表示晃动越剧烈。
需要说明的是，全局光流信息均值ΔE的获取方法为：获取同一速度下初始预设时间间隔内获取的静止目标图像序列，计算图像序列中所有光流信息的平均值，即为全局光流信息均值。
作为一个示例，本发明实施例中的预设时间间隔为3秒。
需要说明的是，横风对无人机造成的影响为单侧整体波动，且在连续帧波动情况不连续，因此，对无人机异常的静止目标图像序列进行连续帧的变化分析，当变化程度稳定且连续，则能够排除横风对无人机的影响这一干扰因素。
步骤S002，根据晃动程度确定无人机出现异常，获取无人机出现异常之前的多帧静止目标图像；根据预设网格对多帧静止目标图像进行区域划分，通过对每个区域的色彩、亮度以及边缘进行分析获取相应的异常指标；根据异常指标获取每个区域的危险评估参数，通过危险评估参数筛选初步安全区域。
具体的步骤包括：
1)设置晃动阈值，当晃动程度大于晃动阈值时，确定无人机出现异常，获取无人机出现异常之前的多帧静止目标图像。
为了减少无人机的存储压力，在无人机采集图像的过程中，仅保存最近10帧的图像，其中当无人机出现异常时，最近10帧图像包括最近邻的正常图像和发生异常的图像。
作为一个示例，本发明实施例中晃动阈值为0.2。
2)根据预设网格对多帧静止目标图像进行区域划分。
作为一个示例，本发明实施例的预设网格为六等分网格，通过对每行对称分割每列三等分，得到六等分网格。
3)根据当前区域的边缘数量获取边缘复杂度。
提取每个区域内的所有边缘信息，对各区域内的边缘进行计数，获取边缘复杂度ω：
其中，Nk表示第k个区域的边缘数量；Nkmax表示最大边缘数量，
其中M表示无人机在最高点进行区域评估允许的最多边缘细节数量，h为无人机的实时飞行高度，H为无人机的限制飞行高度。
作为一个示例，M取值为240；H取120米。
需要说明的是，根据《无人驾驶航空器飞行管理暂行条例(征求意见稿)》规定，微型无人机限高50米，轻型无人机限高120米。
作为一个示例，本发明实施例中通过Canny边缘检测算法得到静止目标图像中各区域内的所有边缘，在其他实施例中，也可以采用其他能够达到相同效果的边缘检测算法。
需要说明的是，ω大于1时，该区域边缘数量过多，地面情况复杂，不再进行后续计算，该区域不作为安全的迫降区域。
4)记录每个区域中的色彩变化次数，根据色彩变化次数和采样时间间隔获取色彩复杂度。
Lab颜色空间较RGB图像更加符合人对颜色的感觉，且对亮度L的信息采集更加直接，对图像色彩的提取更加简便，通过调节a，b参数即可获取色彩，因此，将各区域内的原RGB图像进行Lab颜色空间转换，其中由亮度L和有关色彩的a，b三个要素组成，由于RGB不能转换到Lab空间，所以需要先转到XYZ颜色空间中在进行转化。
具体的转化过程为：
R，G，B进行gamma校正增加图像对比度：
将RGB图像转化至XYZ空间：
将XYZ图像转化至Lab空间：
其中，Xn，Yn，Zn的默认值分别为95.047，100.0，108.883。
计算色彩变化指标C：
设定阈值ε＝0.05，当C＞ε时，表示有一次色彩的变化，计数器Counter加1，进而计算每个区域的色彩复杂度K：
其中，T表示采样时间间隔，Counterj表示第j个采样时间间隔内色彩变化的次数。
作为一个示例，本发明实施例中采样时间间隔T＝3s。
5)根据亮度对每个区域划分子区域，计算同一亮度的子区域的面积与区域的面积的比值，进而获取区域的区域亮度熵。
通过上述两个异常指标能够大范围的过滤掉结构复杂的城区、街道等区域，但是可能对水塘、河流等区域也认为是色彩单一，边缘简单的平坦区域，造成无人机落水。根据水面在光照下的特性，认为水面存在亮度不稳定性，在图像中亮度的波动性较大，所以通过区域亮度熵Q筛除这一情况。
其中，N表示该区域的像素点总数量，m表示同一亮度的子区域数量，ni(L)表示亮度L的像素点数量。
区域亮度熵Q越大，表示该区域内亮度变化越大，越有可能是水面。
需要说明的是，本发明实施例计算的是单帧图像中，相邻像素点的亮度变化，而不是无人机大范围移动的连续帧下的区域内的亮度变化。
6)根据色彩复杂度与区域亮度熵的加权求和与边缘复杂度的乘积获取危险评估参数：
Wk＝ω(αKk+βQk)
其中，Wk表示第k个区域的危险评估参数，Kk表示第k个区域的色彩复杂度，Qk表示k个区域的区域亮度熵，α、β表示权重系数，α+β＝1。
作为一个示例，α＝0.7，β＝0.3。
为了排除量纲的影响，将危险评估参数Wk进行归一化到区间[0,1]内，越趋近于1表示该区域的危险指数越高。
7)确定初步安全区域。
对比所有区域的危险评估参数，选择危险评估参数最小的区域作为初步安全区域。
步骤S003，使无人机向初步安全区域降落，在降落过程中实时采集图像并获取实时危险评估参数，根据实时危险评估参数获取实时的迫降区域。
通过动力调节使无人机向初步安全区域降落，在降落过程中，根据动力调节后的无人机晃动程度S′来对危险评估参数进行更新，此时已经采取动力调节算法，所以无人机当前已经尽可能平稳或存在轻微的晃动，晃动程度
其中ΔE′表示动力调节后实时的全局光流均值。所以，实时的无人机区域危险评估指数为W′k：
W′k＝(αKk+βQk)S′+1
其中，S′表示无人机的实时晃动程度，将实时危险评估参数W′k归一化到区间[0,1]内，越趋近于0表示该区域的安全程度越大，从而选择最安全的降落区域。
根据得到的实时的无人机区域危险评估指数W′k能够在危险评估参数Wk的基础上，对初始安全区域进行实时动态分析，完成无人机在下落过程中的实时安全区域的分析，实现无人机姿态的微调，尽可能保证无人机能够降落在安全区域。
综上所述，本发明实施例首先对无人机采集的图像进行静止目标筛选，获取静止目标图像，根据静止目标图像中静止目标的变化获取无人机的晃动程度；然后根据晃动程度确定无人机出现异常，获取无人机出现异常之前的多帧静止目标图像；根据预设网格对多帧静止目标图像进行区域划分，通过对每个区域的色彩、亮度以及边缘进行分析获取相应的异常指标，进而计算每个区域的危险评估参数；通过危险评估参数筛选初步安全区域；最后使无人机向初步安全区域降落，在降落过程中计算实时危险评估参数，根据实时危险评估参数获取实时采集的图像中的迫降区域。本发明实施例能够识别无人机出现异常的情况，并根据出现异常前的多帧图像获取当下最安全的迫降区域，而且能够根据实时的晃动情况更新迫降区域，可以准确地找到当下最优、最安全的迫降区域。
基于与上述方法相同的发明构思，本发明另一个实施例提供了一种基于人工智能的无人机迫降区域筛选装置，请参阅图3，该装置包括以下模块：
晃动程度获取模块1001、初步安全区域筛选模块1002以及迫降区域获取模块1003。
具体的，晃动程度获取模块1001用于对无人机采集的图像进行静止目标筛选，获取静止目标图像，根据静止目标图像中静止目标的变化获取无人机的晃动程度；初步安全区域筛选模块1002用于根据晃动程度确定无人机出现异常时，获取无人机出现异常之前的多帧静止目标图像；根据预设网格对多帧静止目标图像进行区域划分，通过对每个区域的色彩、亮度以及边缘进行分析获取相应的异常指标；根据异常指标获取每个区域的危险评估参数，通过危险评估参数筛选初步安全区域；迫降区域获取模块1003用于使无人机向初步安全区域降落，在降落过程中实时采集图像并获取实时危险评估参数，根据实时危险评估参数获取实时的迫降区域。
基于与上述方法相同的发明构思，本发明另一个实施例提供了一种电子设备。
请参阅图4，其示出了本发明实施例提供的一种电子设备的示意图。该实施例的电子设备包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述基于人工智能的无人机迫降区域筛选方法实施例中的步骤，例如图2所示的步骤。或者，处理器执行计算机程序时实现上述基于人工智能的无人机迫降区域筛选装置实施例中各模块的功能。
示例性的，计算机程序可以被分割成一个或多个模块，其中一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。其中一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，该处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
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.基于人工智能的无人机迫降区域筛选方法，其特征在于，该方法包括以下步骤：
对无人机采集的图像进行静止目标筛选，获取静止目标图像，根据所述静止目标图像中静止目标的变化获取无人机的晃动程度；
根据所述晃动程度确定所述无人机出现异常时，获取所述无人机出现异常之前的多帧静止目标图像；根据预设网格对所述多帧静止目标图像进行区域划分，通过对每个区域的色彩、亮度以及边缘进行分析获取相应的异常指标；根据所述异常指标获取每个区域的危险评估参数，通过所述危险评估参数筛选初步安全区域；
使所述无人机向所述初步安全区域降落，在降落过程中实时采集图像并获取实时危险评估参数，根据所述实时危险评估参数获取实时的迫降区域。
2.根据权利要求1所述的方法，其特征在于，所述色彩的分析方法为：
记录每个所述区域中的色彩变化次数，根据所述色彩变化次数和采样时间间隔获取所述色彩复杂度。
3.根据权利要求2所述的方法，其特征在于，所述亮度的分析方法为：
根据亮度对每个所述区域划分子区域，计算同一亮度的所述子区域的面积与所述区域的面积的比值，进而获取所述区域的区域亮度熵。
4.根据权利要求3所述的方法，其特征在于，所述边缘的分析方法为：
根据当前区域的边缘数量获取所述边缘复杂度。
5.根据权利要求4所述的方法，其特征在于，所述危险评估参数的获取方法为：
根据所述色彩复杂度与所述区域亮度熵的加权求和与所述边缘复杂度的乘积获取所述危险评估参数。
6.根据权利要求1所述的方法，其特征在于，所述静止目标筛选使用光流法。
7.根据权利要求1所述的方法，其特征在于，所述筛选初步安全区域的方法为：
对比所有所述区域的所述危险评估参数，筛选所述危险评估参数最小的区域作为所述初步安全区域。
8.根据权利要求5所述的方法，其特征在于，所述实时危险评估参数的获取方法为：
根据实时采集的图像中的所述色彩复杂度、所述区域亮度熵以及实时晃动程度获取所述实时危险评估参数。
9.基于人工智能的无人机迫降区域筛选装置，其特征在于，所述装置包括：
晃动程度获取模块，用于对无人机采集的图像进行静止目标筛选，获取静止目标图像，根据所述静止目标图像中静止目标的变化获取无人机的晃动程度；
初步安全区域筛选模块，用于根据所述晃动程度确定所述无人机出现异常时，获取所述无人机出现异常之前的多帧静止目标图像；根据预设网格对所述多帧静止目标图像进行区域划分，通过对每个区域的色彩、亮度以及边缘进行分析获取相应的异常指标；根据所述异常指标获取每个区域的危险评估参数，通过所述危险评估参数筛选初步安全区域；
迫降区域获取模块，用于使所述无人机向所述初步安全区域降落，在降落过程中实时采集图像并获取实时危险评估参数，根据所述实时危险评估参数获取实时的迫降区域。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1～8所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110570802.6A CN113392723A (zh) | 2021-05-25 | 2021-05-25 | 基于人工智能的无人机迫降区域筛选方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110570802.6A CN113392723A (zh) | 2021-05-25 | 2021-05-25 | 基于人工智能的无人机迫降区域筛选方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113392723A true CN113392723A (zh) | 2021-09-14 |
Family
ID=77618965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110570802.6A Pending CN113392723A (zh) | 2021-05-25 | 2021-05-25 | 基于人工智能的无人机迫降区域筛选方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392723A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115496930A (zh) * | 2022-11-08 | 2022-12-20 | 之江实验室 | 一种图像处理方法、装置、存储介质及电子设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0815098A (ja) * | 1994-06-23 | 1996-01-19 | Sumitomo Metal Ind Ltd | 鉄道車両の乗り心地と異常動揺の検知方法及び車両用緩衝器と軌道の状態判断方法 |
| US20080206718A1 (en) * | 2006-12-01 | 2008-08-28 | Aai Corporation | Apparatus, method and computer program product for weapon flyout modeling and target damage assessment |
| CN103324913A (zh) * | 2013-05-29 | 2013-09-25 | 长安大学 | 一种基于形状特征和轨迹分析的行人事件检测方法 |
| US8885887B1 (en) * | 2012-01-23 | 2014-11-11 | Hrl Laboratories, Llc | System for object detection and recognition in videos using stabilization |
| CN105405165A (zh) * | 2015-10-21 | 2016-03-16 | 北京航空航天大学 | 一种通用型无人机飞行中地貌分析及迫降区域提取仿真系统 |
| KR20160038464A (ko) * | 2014-09-30 | 2016-04-07 | 국방과학연구소 | 고해상도 거리 측면도와 역합성 개구면 레이더 영상의 융합을 통한 표적 식별 방법 및 그 장치 |
| KR20170074369A (ko) * | 2015-12-22 | 2017-06-30 | 주식회사 유라코퍼레이션 | 드론을 이용한 물품 배송 시스템 및 방법 |
| US20180012085A1 (en) * | 2016-07-07 | 2018-01-11 | Ants Technology (Hk) Limited. | Computer Vision Based Driver Assistance Devices, Systems, Methods and Associated Computer Executable Code |
| JP2018070012A (ja) * | 2016-10-31 | 2018-05-10 | キヤノンマーケティングジャパン株式会社 | 無人航空機制御システム、その制御方法、及びプログラム |
| US20180342081A1 (en) * | 2017-05-25 | 2018-11-29 | Samsung Electronics Co., Ltd. | Method and system for detecting dangerous situation |
| US20190090786A1 (en) * | 2017-09-27 | 2019-03-28 | Samsung Electronics Co., Ltd. | Method and device for detecting dangerous situation |
| JP2019175372A (ja) * | 2018-03-29 | 2019-10-10 | 株式会社パル技研 | 危険予測装置、危険予測方法、及びプログラム |
-
2021
- 2021-05-25 CN CN202110570802.6A patent/CN113392723A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0815098A (ja) * | 1994-06-23 | 1996-01-19 | Sumitomo Metal Ind Ltd | 鉄道車両の乗り心地と異常動揺の検知方法及び車両用緩衝器と軌道の状態判断方法 |
| US20080206718A1 (en) * | 2006-12-01 | 2008-08-28 | Aai Corporation | Apparatus, method and computer program product for weapon flyout modeling and target damage assessment |
| US8885887B1 (en) * | 2012-01-23 | 2014-11-11 | Hrl Laboratories, Llc | System for object detection and recognition in videos using stabilization |
| CN103324913A (zh) * | 2013-05-29 | 2013-09-25 | 长安大学 | 一种基于形状特征和轨迹分析的行人事件检测方法 |
| KR20160038464A (ko) * | 2014-09-30 | 2016-04-07 | 국방과학연구소 | 고해상도 거리 측면도와 역합성 개구면 레이더 영상의 융합을 통한 표적 식별 방법 및 그 장치 |
| CN105405165A (zh) * | 2015-10-21 | 2016-03-16 | 北京航空航天大学 | 一种通用型无人机飞行中地貌分析及迫降区域提取仿真系统 |
| KR20170074369A (ko) * | 2015-12-22 | 2017-06-30 | 주식회사 유라코퍼레이션 | 드론을 이용한 물품 배송 시스템 및 방법 |
| US20180012085A1 (en) * | 2016-07-07 | 2018-01-11 | Ants Technology (Hk) Limited. | Computer Vision Based Driver Assistance Devices, Systems, Methods and Associated Computer Executable Code |
| JP2018070012A (ja) * | 2016-10-31 | 2018-05-10 | キヤノンマーケティングジャパン株式会社 | 無人航空機制御システム、その制御方法、及びプログラム |
| US20180342081A1 (en) * | 2017-05-25 | 2018-11-29 | Samsung Electronics Co., Ltd. | Method and system for detecting dangerous situation |
| US20190090786A1 (en) * | 2017-09-27 | 2019-03-28 | Samsung Electronics Co., Ltd. | Method and device for detecting dangerous situation |
| JP2019175372A (ja) * | 2018-03-29 | 2019-10-10 | 株式会社パル技研 | 危険予測装置、危険予測方法、及びプログラム |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115496930A (zh) * | 2022-11-08 | 2022-12-20 | 之江实验室 | 一种图像处理方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220343598A1 (en) | System and methods for improved aerial mapping with aerial vehicles | |
| CN109753903B (zh) | 一种基于深度学习的无人机检测方法 | |
| CN106960446B (zh) | 一种面向无人艇应用的水面目标检测跟踪一体化方法 | |
| US20230214976A1 (en) | Image fusion method and apparatus and training method and apparatus for image fusion model | |
| CN109493300B (zh) | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 | |
| CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
| RU2476825C2 (ru) | Способ управления движущимся объектом и устройство для его осуществления | |
| WO2021007690A1 (zh) | 曝光控制方法、装置与可移动平台 | |
| US9299011B2 (en) | Signal processing apparatus, signal processing method, output apparatus, output method, and program for learning and restoring signals with sparse coefficients | |
| CN109766828A (zh) | 一种车辆目标分割方法、装置及通信设备 | |
| CN111160149B (zh) | 基于运动场景及深度学习的车载人脸识别系统及方法 | |
| TW202226141A (zh) | 圖像去霧方法和使用圖像去霧方法的圖像去霧設備 | |
| US11800076B2 (en) | Spatially varying reduction of haze in images | |
| US20210312589A1 (en) | Image processing apparatus, image processing method, and program | |
| CN116091900A (zh) | 图像处理方法、装置及存储介质 | |
| CN114038193A (zh) | 基于无人机和多目标追踪的智能交通流量数据统计方法及系统 | |
| CN112767371A (zh) | 一种基于人工智能的可变阻尼调节果冻效应方法及系统 | |
| CN116385906A (zh) | 一种基于深度学习的边坡灾害轻巧感知系统、设备及平台 | |
| CN113392723A (zh) | 基于人工智能的无人机迫降区域筛选方法、装置及设备 | |
| CN112335228A (zh) | 图像处理方法、图像采集装置、可移动平台及存储介质 | |
| CN102096273A (zh) | 一种基于目标特性的空间相机自动曝光方法 | |
| CN103870847A (zh) | 一种低照度环境下对地监控的运动目标检测方法 | |
| CN112166598B (zh) | 图像处理方法、系统、可移动平台和存储介质 | |
| CN116029954A (zh) | 一种图像融合方法及装置 | |
| WO2022193132A1 (zh) | 图像检测方法、装置和电子设备 |
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 |