CN206968975U - 一种无人机 - Google Patents

Abstract

本申请公开了一种无人机，包括：摄像头以及采集无人机的飞行参数的姿态传感器；与姿态传感器相连，根据飞行参数计算得到飞行状态参数；将行人总数与阈值进行比较，在超过阈值时发送报警信号的飞控芯片；与摄像头和飞控芯片均相连，根据飞行状态参数对摄像头拍摄的图像进行运动背景补偿得到序列图像；将序列图像中运动的区域进行估算得到运动区域；对运动区域进行行人识别得到行人总数并发送给飞控芯片的嵌入式芯片；与飞控芯片相连，根据报警信号执行报警操作的报警装置。能够以一种更科学、人力资源使用更少、智能化程度高的无人机来更全面的对人员密集场所进行实时且流动的人流量数据检测，降低了人力成本。

Description

一种无人机

技术领域

本申请涉及无人飞行器领域，特别涉及一种无人机。

背景技术

随着科学技术的发展，视频监控系统逐步走进人类的生活中，其中人流量检测技术被应用在更加广泛的领域中，例如，已经在地铁、道路、大型商场以及办公写字楼等地方被广泛使用，而在某些旅游景点、商业娱乐设施、公园机场以及码头等人员易呈密集状态等场所，容易引发各种因为人流密集所导致的冲突事件。

目前，在上述人员密集场所，不外乎采用以下两种方式对人流量数据进行监控：其一，通过固定设置在某些位置的摄像头进行视频监控；其二，运用人海战术，即在上述人员密集的场所通过安排更多的安保人员进行人工监控，这两种方式一方面，在不便设置摄像头的场所存在无法进行监控的缺陷，另一方面则需要使用大量安保人员，浪费了宝贵的人力资源。

那么，如何为上述人员密集的场所，提供一种更全面、人力资源使用更少，能够实时且流动的对人流量数据进行监控的无人机是本领域技术人员亟待解决的问题。

实用新型内容

本申请的目的是提供一种无人机，能够以一种更科学、人力资源使用更少、智能化程度高的无人机来更全面的对人员密集场所进行实时且流动的人流量数据检测，降低了人力成本。

为解决上述技术问题，本申请提供一种无人机，该无人机包括：

摄像头以及采集无人机的飞行参数的姿态传感器；

与姿态传感器相连，根据飞行参数计算得到飞行状态参数；将行人总数与阈值进行比较，在超过阈值时发送报警信号的飞控芯片；

与摄像头和飞控芯片均相连，根据飞行状态参数对摄像头拍摄的图像进行运动背景补偿得到序列图像；将序列图像中运动的区域进行估算得到运动区域；对运动区域进行行人识别得到行人总数并发送给飞控芯片的嵌入式芯片；

与飞控芯片相连，根据报警信号执行报警操作的报警装置。

可选的，该无人机还包括：

与摄像头和飞控芯片均相连，存储图像、行人总数以及报警信号的存储器。

可选的，该无人机还包括：

与飞控芯片和存储器均相连，获取图像、行人总数以及报警信号并传回地面控制中心的通信装置。

可选的，该无人机还包括：

与飞控芯片相连，根据障碍物信息躲避障碍物的超声波避障装置。

可选的，摄像头具体为近红外摄像头。

可选的，嵌入式芯片具体为嵌入式A9芯片。

可选的，飞控芯片具体为STM32F427芯片。

可选的，报警装置具体为播放器和/或闪光灯。

可选的，超声波避障装置具体为设置在无人机前、左以及右三个方向的超声波测距传感器。

可选的，无人机为中小型多轴旋翼机。

本申请所提供的一种无人机，包括摄像头以及采集无人机的飞行参数的姿态传感器；与姿态传感器相连，根据飞行参数计算得到飞行状态参数；将行人总数与阈值进行比较，在超过阈值时发送报警信号的飞控芯片；与摄像头和飞控芯片均相连，根据飞行状态参数对摄像头拍摄的图像进行运动背景补偿得到序列图像；将序列图像中运动的区域进行估算得到运动区域；对运动区域进行行人识别得到行人总数并发送给飞控芯片的嵌入式芯片；与飞控芯片相连，根据报警信号执行报警操作的报警装置。

显然，本申请所提供的技术方案通过在无人机上设置了诸多上面提及的装置，且各装置之间相互配合并将采集到的飞行参数和摄像头拍摄到的图像利用一系列算法模型得到监控区域内的行人总数，并在判断该行人总数超过阈值时进行报警。提供了一种更科学、人力资源使用更少、智能化程度高的无人机来更全面的对人员密集场所进行实时且流动的人流量数据检测，降低了人力成本。

附图说明

为了更清楚地说明本申请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，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种无人机的结构图；

图2为本申请实施例所提供的一种无人机上嵌入式芯片进行的一种运动背景补偿算法的具体流程图；

图3为本申请实施例所提供的一种无人机上嵌入式芯片进行的一种行人识别算法的具体流程图；

图4为本申请实施例所提供的摄像头进行小孔成像模型的示意图。

具体实施方式

本申请的核心是提供一种无人机，能够以一种更科学、人力资源使用更少、智能化程度高的无人机来更全面的对人员密集场所进行实时且流动的人流量数据检测，降低了人力成本。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

下面请参见图1，图1为本申请实施例所提供的一种无人机的结构框图。

该无人机可以包括：

摄像头100以及采集无人机的飞行参数的姿态传感器400；

与姿态传感器400相连，根据飞行参数计算得到飞行状态参数；将行人总数与阈值进行比较，在超过阈值时发送报警信号的飞控芯片300；

与摄像头100和飞控芯片300均相连，根据飞行状态参数对摄像头100拍摄的图像进行运动背景补偿得到序列图像；将序列图像中运动的区域进行估算得到运动区域；对运动区域进行行人识别得到行人总数并发送给飞控芯片300的嵌入式芯片200；

与飞控芯片300相连，根据报警信号执行报警操作的报警装置500。

可选的，该无人机还包括：

与摄像头100和飞控芯片300均相连，存储图像、行人总数以及报警信号的存储器。

可选的，该无人机还包括：

与飞控芯片300和存储器均相连，获取图像、行人总数以及报警信号并传回地面控制中心的通信装置。

可选的，该无人机还包括：

与飞控芯片300相连，根据障碍物信息躲避障碍物的超声波避障装置。

可选的，摄像头100具体为近红外摄像头。

可选的，嵌入式芯片200具体为嵌入式A9芯片。

可选的，飞控芯片300具体为STM32F427芯片。

可选的，报警装置500具体为播放器和/或闪光灯。

可选的，超声波避障装置具体为设置在无人机前、左以及右三个方向的超声波测距传感器。

可选的，无人机为中小型多轴旋翼机。

其中，摄像头100在这里是所有能够采集视频图像的设备的总称，不仅仅局限于常见的摄像头，进一步的，可以选用能够减小光照造成的影响的近红外摄像头，所起作用为拍摄图像供其它装置进行分析和处理。

其中，姿态传感器400，不仅仅是一个传感器，是能够得到无人机飞行参数的所有传感器的总称，可以包括：加速度计、气压高度传感器、无线电高度表、GPS、磁力计、三轴陀螺仪中至少一种，并根据采集到的数据，在该飞控芯片300中进行位姿解算，以获取该无人机飞行状态的参数，如在x,y,z轴各个分量方向上的速度、加速度以及偏转角度，为该摄像头拍摄图像进行运动背景补偿做准备。

该无人机中的各装置可以采用以下处理步骤进行人流量数据的监控：

飞控芯片300：

第一步，根据姿态传感器400采集到的无人机的飞行参数进行位姿解算，得到飞行状态参数；

本步骤旨在根据设置在无人机上的各传感器采集到的飞行参数进行位姿解算，并根据飞行参数计算得到飞行状态参数。之所以要得到飞行状态参数是因为采用了无人机这一能够灵活飞行的摄像载体，会因为出现的两种运动状态造成机载摄像头拍摄的图像受到影响，其一，是因为机载摄像头本身随着无人机飞行存在的在运动中进行拍摄；其二，是摄像头在监控区域内拍摄的行人本身也是运动的。在通常情况下，只会存在一方是运动的，即行人本身是运动的状态，而一旦本申请中拍摄图像的主体和对象均存在运动的情况，就需要进行一系列的处理操作，来将无人机上机载摄像头上动态的人流量检测转换为相对静止场景下的运动目标检测，好为后续的行人识别步骤提供一个能够良好识别运动区域的序列图像。

其中，设置在无人机上的姿态传感器可以由多样的传感器组成，此处并不做具体的限定，可以包括：加速度计、气压高度传感器、无线电高度表、GPS、磁力计、三轴陀螺仪中至少一种，且每种传感器也可以根据实际的效果在不同的位置设置多个，多种传感器间可以协同、相互配合，以得到更加良好的飞行参数，以便经过计算得到更加良好的飞行状态参数。

嵌入式芯片200：

第一步，根据飞行状态参数进行运动背景补偿，得到消除背景运动影响的序列图像；

本步骤根据计算得到的飞行状态参数，在并结合机载摄像头所拍摄的图像，进行背景的运动估计和补偿，以在一段时间内重建出运动场景，实现将无人机上动态的人流量检测转换为相对静止场景下的运动目标检测，进而得到消除背景运动影响的序列图像。

而为实现本步骤的目的，需要对全局运动估计和背景的运动补偿，核心是在前后两针中找到满足仿射、光照、尺度不变的匹配区域。将无人机通过位姿解算，得到的实时飞行状态参数通过针孔成像模型，即可估算出机载摄像头拍摄的各帧图像的运动矢量，可以显著减少由于在全局图像进行特征点特征匹配所花费的系统资源和时间。

同时，在考虑到某些场合下考虑到无人机在飞行时还会由于摄像头的抖动等各种因素下造成机载摄像头对运动矢量的估算有误差，因此进行领域局部特征点匹配的算法补偿也是必要的，这时就需要估算机载摄像头全局运动矢量之间的关系：获取机载摄像头图像的特征点，以便后期图像特征点进行匹配。在算法选择方面，可以选择以下几种算法：

其一，经典的MIC算法

MIC算法是一种分析变量之间可能存在的关系的方法，该方法不仅能够有效识别出变量间各种复杂类型的关系,还能够准确描述存在差异的数据对该存在关系的影响,对探索大数据集中变量之间的关系具有重要意义。MIC算法具有速度快，精度高，鲁棒性好，对噪声不敏感等优点，可以有效解决无人机机载摄像头所拍摄图像的背景复杂、干扰较多的问题。

其二，RANSAC算法：

RANSAC(Random Sample Consensus，中文名文：随机样本一致)算法，通过在一组包含“外点”的数据集中，采用不断迭代的方法，寻找最优参数模型。其中，不符合最优模型的点，被定义为“外点”。该算法实现简单，并且可以处理错误匹配所占比例很高的数据，具有更好的鲁棒性，尤其适用于航拍图像背景运动补偿。

当然，特征点检测的方式可以有很多种，并不仅仅由列举出来的两种，此处并不做具体的限定，可以视实际情况的不同选用最符合自身利益的算法，而此处之所以提及MIC算法和RANSAC算法，是因为在其在视频图像处理领域具有良好的性能，能够极具性价比的得到计算结果。

第二步，将序列图像利用帧差分的自适应检测模型对图像中运动的区域进行估算，得到运动区域；

本步骤采用了基于背景差分法和帧差分法的自适应检测法，对已经进行过运动背景补偿的序列图像中运动的区域进行估算，从而得到运动区域。之所以要得到运动区域，因为运动区域其实就是一个个行人在每两帧图像中发生位置变化的区域，本步骤旨在对整个图像根据一定模型得到行人运动区域，为后续步骤做准备。

其中，背景差分法和帧差分法各有优缺点，前者会出现在背景变换时对运动区域的辨识不够准确，后者则会对缓慢行走的人产生空洞，所以综合这两种方法，采用基于背景差分法和帧差分法的自适应检测法，能够很好的克服这两个缺点，得到一个更好的运动区域的检测。

第三步，对运动区域进行行人识别，得到识别结果，并将识别结果计入行人总数；

在得到估算后的运动区域后，结合人体所固有的生理特征和因运动产生的行为特征对运动区域的行人进行识别，并根据识别结果将其计入该监控区域的行人总数中。其中，怎样将识别结果纳入行人总数的方式多种多样，此处并不做具体限定，例如，若识别结果为非行人，则将一个“0”计入行人总数；若识别结果为行人，则将一个“1”计入行人总数，即虽然都纳入了行人总数中，但只有确确实实为行人的才会增加行人总数的计数，还可以在后续检查时，查看到有多少个“0”和“1”，来更加有效的改进识别算法；也可以只将识别为行人的识别结果纳入行人总数，应视规则制定者的计算习惯和后续考虑等各种因素进行有差异化的选择，以更加符合自身的利益。

具体的，怎样利用人体所固有的生理特征和因运动产生的行为特征对运动区域的行人进行识别，方式多种多样，可以从多种角度入手，例如，从摄像头成像角度、人体组成等等，只需要能够经过一个合理、有效的识别算法最终得以实现对行人的识别即可。

飞控芯片300：

第二步，将行人总数与阈值进行对比，得到比较结果，若比较结果超过阈值，则通过预设路径进行报警。

通过将得到的行人总数与预设的阈值进行对比，得到一个能代表该监控区域是否人流量已经超过负载能力的比较结果，若该比较结果已经超过了阈值，则通过多种途径进行报警和发出提醒。

其中，该阈值时根据具体为哪个人员密集场所以及平均人流量综合各种因素计算得来的，代表一个警戒值。且可以通过多种报警方式实现对超过该阈值时进行报警，包括：播放器播放疏导语音信息、以一定频率发出的闪光、发送给地面工作人员等，此处并不对如何发送报警信息做具体限定，只需要能够达到能够实现对行人的提醒和预警即可。

其中，在无人机的前、左、右三个方向安装的超声波测距传感器，结合三个传感器采集的距离障碍物的距离进行计算得到控制量，以确保无人机能够合理避开障碍物。进一步的，可以设置在该飞控芯片300的内部，以使无人机能够自主越过树木、房屋等常见障碍物。

其中，该通信装置是将无人机通过摄像头100以及行人识别算法实时得到的监控区域内行人总数，以3G无线通信方式将实时的行人总数和报警信号传回地面控制中心，以便地面监控人员更好进行人流监控和人员的疏导。

该摄像头100用于拍摄无人机飞行过程中的图像，用于后续的处理步骤。

实施例二

请参见图2，图2为本申请实施例所提供的一种无人机上嵌入式芯片进行的一种运动背景补偿算法的具体流程图。

本实施例为针对实施例一中嵌入式芯片200具体怎样进行运动背景补偿所作出的一个具体限定。

S101：根据飞行状态参数利用针孔模型建立全局背景运动参数的模型；

本实施旨在进行运动背景补偿，消除因图像中因背景运动造成的影响，就对全局运动估计和背景的运动补偿，核心是在前后两针中找到满足仿射、光照、尺度不变的匹配区域。

S102：利用MIC算法结合模型对运动矢量进行分析，得到分析结果；

将无人机通过位姿解算，得到的实时飞行状态参数通过针孔成像模型，即可估算出机载摄像头拍摄的各帧图像之间的运动矢量，可以大大减少由于在全局图像进行特征点特征匹配所花费的系统资源和时间。

而在考虑到某些场合下考虑到无人机在飞行时还会由于摄像头的抖动等各种因素下造成机载摄像头对运动矢量的估算有误差，因此进行领域局部特征点匹配的算法补偿也是必要的，这时就需要估算机载摄像头全局运动矢量之间的关系：获取机载摄像头图像的特征点，以便后期图像特征点进行匹配。

本步骤采用了MIC算法，其算法思路如下：

如果两个变量之间存在着一种关系，则可以将两个变量组成有限集合D，在集合D的散点图中绘制网格，这些网格将散点图中的数据分割，其中，有些网格是空的有些则含有散点图中的点，并根据点在网格中的分布得到这种分割方式下的概率分布，通过概率分布进行熵和互信息的计算。逐步增大网格的分辨率，在每种分辨率下改变分割点的位置，可以搜索计算得到这种分辨率下的最大互信息值，并标准化这些互信息值，以确保不同分辨率的网格之间进行公平的比较，以得到一个合适的比较结果。

S103：根据分析结果对全局背景运动参数进行计算，得到计算结果；

根据S202中得到的比较结果结合S201得到的全局背景运动参数进行综合计算，得到一个能够消除图像中因背景运动造成影响的计算结果。

S104：根据计算结果对无人机上机载摄像头拍摄的图像进行运动背景补偿，得到消除背景运动影响的序列图像；

利用该计算结果进行运动背景补偿，得以最终得到消除背景运动影响的序列图像。

当然，在上一实施例中，也进行过另一算法：RANSAC算法的介绍，相应的也可以采用RANSAC算法进行运动背景补偿，此处只是就如何MIC算法做出一个具体流程的介绍。

实施例三

请参见图3，图3为本申请实施例所提供的一种无人机上嵌入式芯片进行的一种行人识别算法的具体流程图。

本实施例为针对实施例一中嵌入式芯片200具体怎样进行行人识别所作出的一个具体限定。

其具体包括以下步骤：

S201：对运动区域中行人的头部选用标准圆的模板匹配算法进行识别，得到以头部构建的整个人体区域的识别结果；

因为无人机一般飞行在比较高的空间中，所以摄像头的视角通常为俯仰视角，这样的一个视角能够获得较完整的人体头部信息和部分身体信息。因此，可以在无人机控制中首先进行的人体的头部的检测识别。基于俯仰视角观察行人头部的时候，人体头部形状接近圆形，且在运动过程中人体头部形状变换程度较小，因此可以采用标准圆的模板匹配算法来识别，从而识别人体头部，为行人识别做好准备。

S202：按HOG特征对识别结果中运动区域的领域进行滑动窗口搜索匹配，得到匹配结果；

经过对头部的圆形的识别流程中，可以粗略的识别出行人。接下里的阶段中结合HOG(Histogram of Oriented Gradient，中文名为：方向梯度直方图)特征进一步识别的行人的运动特征，从而有的检测出行人。

进一步的，在结合HOG特征进一步识别之前，可以根据一些人体的固有的特征对初步识别出的行人做出一些筛选，例如，人体大致的大小、运动速度范围、反应速度等，受到生理上的因素限制，可以有效的取出一些不合理的粗识别目标，提高了效率、减少了行人检测时间。

更进一步的，还可以训练机载摄像头利用采集到的视频进行HOG特征分类，以更好的对训练学习到的HOG特征进行识别。

S203：根据匹配结果判断序列图像领域中是为否存在人体的行为特征；

即，综合S202中的人体固有特征，受到生理因素的制约，来具体判断是为否存在人体的行为特征。

S204：若存在行为特征，则表明运动区域为行人，并计入行人总数。

当然，这只是一种根据无人机因飞行状态结合机载摄像头的拍摄角度构思的一种行人识别方式，可以根据其它方式得到实现对行人的计数，此处并不对采取如何的识别算法进行具体限定，只需要能够实现根据特征判断识别是否为行人即可。

实施例四

该嵌入式A9芯片进行运动背景补偿和行人识别使用的具体算法做出的一个实际举例：

设提取出来的特征点为：

P₁(x₁,y₁),P₂(x₂,y₂),P₃(x₃,y₃).......P_n(x_n,y_n)

而通过无人机摄像头的飞控技术可以获得无人机飞行状态：速度V_x，V_y，V_z，加速度a_x，a_y，a_z，对x,y,z轴的偏角为α,β,γ。摄像头的小孔成像模型可参见下图4，图4为本申请实施例所提供的摄像头进行小孔成像模型的示意图。

我们可以得到以世界坐标系下表示的P点和投影点p的坐标(u，v)的关系：

通过摄像头标定，获得机载摄像头的内外参数，即M₁,M₂,通过上述针孔模型坐标系的映射关系来机载摄像头图像中坐标映射到世界坐标系中,世界坐标系的原点为无人机摄像头透镜组中心：

p₁(x₁,y₁)——→P₁(X_w1,Y_w1,Z_w1)

p₂(x₂,y₂)——→P₂(X_w2,Y_w2,Z_w2)

p₃(x₃,y₃)——→P₃(X_w3,Y_w3,Z_w3)

p₄(x₄,y₄)——→P₄(X_w4,Y_w4,Z_w4)

p_n(x_n,y_n)——→P_n(X_wn,Y_wn,Z_wn)

在世界坐标系中，通过无人机自身的飞行参数来计算图像特征点在真实物体中相对于无人机的相对位置的变.换，从而映射到图像坐标系中反映图像特征点的变换：

无人机在x，y，z轴平动，其分量速度通过位姿结算得到Vx,Vy,Vz，当前处理器的速度为1秒m帧，则前后两帧之间的时间差为1/ms。

上述步骤中既可以估算出机载摄像头序列中两帧图像中特征点的特征点的领域区域，世界坐标系中的特征点的运动映射回图像坐标系中的点为：

Q₁,Q₂,Q₃......Q_n

由于的机载摄像头存在抖动等其他因素会导致特征点的估算存在一定误差范围，在上面映射在图像坐标系中的点的领域范围内进行MIC角点检测，以矫正特征点在映射过程中的误差。

因为映射是一一对应的关系，因此在上述步骤完成后便得到了在两帧之间的一对对特征点匹配的满足仿射，光照、尺度不变的匹配区域。这样就完成了对运动背景的补偿。

该嵌入式芯片进行行人识别可以为以下描述的具体算法：

将平均采样图像作为背景相减的背景帧：

当前帧和背景帧相减既可得到差分图像S(x,y),阈值在实验中获取。

采样图像和背景帧进行加权组合得到新的背景帧：

A_n(i,j)＝αB_n(i,j)+βA_n-1(i,j)

α+β＝1

当前帧重新和新的帧相减得到帧差分图像M(x,y)，选取阈值Y来判定是否为运动区域。

差分图像中的运动区域即包含了行人的运动边缘模板。通过对图像的运动变换的区域的识别判定既可以无人机监控区域人流量检测。

无人机在飞行一般在比较高的空间中，因为其无人机摄像头的视角为俯仰，基于机载摄像头情况，能够获得较完整的人体头部信息和部分身体信息。因此，在无人机控制中首先进行的人体的头部的检测识别。

由于在空中机载摄像头俯仰去观察的人的头部的时候，人体头部接近圆形。而且在行人运动过程中人体头部形状变换较小，因此可以采用标准圆的模板匹配算法来识别，从而识别人体头部，为行人识别做好准备：

将圆形模板和待匹配区域进行掩膜操作，标准模板的像素区域点数为s，重叠区域中像素点数为a，重叠区域相对于相似模板补集为b，则通过相似度β来删选圆形。

在上述的人头的圆形的识别流程中，我们粗略的识别出行人。接下里的阶段中结合HOG特征进一步识别的行人的运动特征，从而有的检测出行人。在进行HOG形状识别之前，我们可以通过一些经验来粗略的排除的运动行人的备选区域：

人体的大小是有一定限度，因此可以通过机载摄像头观察人体运动区域的标大小来作为阈值排除摄像头中过大和过小的目标，也可以根据人的运动速度是有限的，可以将运动过快的区域排除掉。在上述粗判断中可以有效了排除的对行人的误判，同时提高效率，减少行人检测时间。

进一步的，HOG识别运动行人遵循如下方式：

机载摄像头需要采集样本视频，用于分类器训练HOG特征。在输入正负样本之后，利用SVM算法进行分类，并且将分类后的HOG特征以向量的形式存储下来。检测视频的输入，通过读入机载摄像头待检测视频中的每一帧图像，通过人头的圆形检测粗识别中大致判定运动区域是否为行人。以人头的圆心坐标o(x_.0,y₀)，半径为r0，机载摄像头中人体的运动区域的椭圆拟合经验长轴a0，短轴b0，则相应的领域为：(x-r_.0,y-r₀),(x-r₀+2a₀,y-r₀+2b₀)

以HOG特征对每一帧图像中运动区域的领域进行滑动窗口搜索匹配，从而检测出视频序列中运动区域领域中是否为人体的行为特征。如果是，则表明该运动区域为行人，进行无人机监控区域的行人计数。如果不是，则表明该运动区域为非行人的运动区域。

之后，将得到的行人总数和摄像头拍摄的图像通过SPI(Serial PeripheralInterface，中文名为：串行外设接口)数据总线存储在存储器中，并通过通信装置获取该存储器中存储的信息，并发回地面控制中心，以便管理人员进行监控观察和做出决策。同时，该嵌入式A9芯片还将该行人总数通过UART(Universal Asynchronous Receiver/Transmitter，中文名为：通用异步收发传输器)总线传输至基于STM32F427芯片形成的飞控中心，该飞控中心实时监控实时行人总数的变换，一旦该行人总数的数值超过预设阈值，飞控中心驱动无人机上包括但不限于语音喇叭和闪光的报警装置500进行预警，提醒在场的人员注意安全，语音疏导人员离开人流量密度高的区域，防止因人流量过多而导致的突发事故。同时通过通信装置发送预警信号回地面控制中心，引起地面监控人员的注意，派遣安保人员到现场疏散人群，降低区域人流量密度，防止突发事故。

基于上述技术方案，本申请各实施例提供的无人机，通过传感器得到的飞行参数和摄像头拍摄的图像,利用包括MIC算法、帧差分的自适应检测模型以及行人识别算法在内的一系列算法，实现对监控区域内行人的识别，进而判断该监控区域内的行人流量是否超过阈值，并在超过该阈值时发出报警信号，以疏导行人、减少该区域内的人流量，能够以一种更科学、人力资源使用更少、智能化程度高的人流量数据的监控方法来更全面的对人员密集场所进行实时且流动的人流量数据检测，降低了人力成本。

因为情况复杂，无法一一列举进行阐述，本领域技术人员应能意识到更具本申请提供的基本方法原理结合实际情况可以存在很多的例子，在不付出足够的创造性劳动下，应均在本申请的保护范围内。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上对本申请所提供的智能交通信号灯的管理方法及系统进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种无人机，其特征在于，包括：

摄像头以及采集所述无人机的飞行参数的姿态传感器；

与所述姿态传感器相连，根据所述飞行参数计算得到飞行状态参数；将行人总数与阈值进行比较，在超过阈值时发送报警信号的飞控芯片；

与所述摄像头和所述飞控芯片均相连，根据所述飞行状态参数对所述摄像头拍摄的图像进行运动背景补偿得到序列图像；将所述序列图像中运动的区域进行估算得到运动区域；对所述运动区域进行行人识别得到行人总数并发送给所述飞控芯片的嵌入式芯片；

与所述飞控芯片相连，根据所述报警信号执行报警操作的报警装置。

2.根据权利要求1所述的无人机，其特征在于，还包括：

与所述摄像头和所述飞控芯片均相连，存储所述图像、所述行人总数以及所述报警信号的存储器。

3.根据权利要求2所述的无人机，其特征在于，还包括：

与所述飞控芯片和所述存储器均相连，获取所述图像、所述行人总数以及所述报警信号并传回地面控制中心的通信装置。

4.根据权利要求3所述的无人机，其特征在于，还包括：

与所述飞控芯片相连，根据障碍物信息躲避障碍物的超声波避障装置。

5.根据权利要求4所述的无人机，其特征在于，所述摄像头具体为近红外摄像头。

6.根据权利要求5所述的无人机，其特征在于，所述嵌入式芯片具体为嵌入式A9芯片。

7.根据权利要求6所述的无人机，其特征在于，所述飞控芯片具体为STM32F427芯片。

8.根据权利要求7所述的无人机，其特征在于，所述报警装置具体为播放器和/或闪光灯。

9.根据权利要求4所述的无人机，其特征在于，所述超声波避障装置具体为设置在所述无人机前、左以及右三个方向的超声波测距传感器。

10.根据权利要求1至9任一项所述的无人机，其特征在于，所述无人机为中小型多轴旋翼机。