【四旋翼无人机运动目标检测算法分析案例5600字】

四旋翼无人机运动目标检测算法分析案例目录TOC\o"1-3"\h\u6619四旋翼无人机运动目标检测算法分析案例 1158271.1运动目标检测算法分析 1292681.2无人机运动目标检测算法流程 6250941.3基于投影的空间运动目标计划定位 7245751.4运动物体的中心计算 8通过GPS卫星导航也能实现引导四旋翼无人机自主着陆，由于GPS读取的位置信息误差较大和在特定环境下无法接收GPS信号等问题，而车载四旋翼无人机自主着陆过程对无人机位置控制要求较高，因此在无人机降落着陆过程采用基于视频的运动目标检测控制算法来提高着陆精准度和安全性。运动目标检测是四旋翼无人机车载自动起降控制模块的关键部分，是整个控制系统能够准确、实时控制四旋翼无人自动降落的基础。运动目标检测应用到电脑计算机视觉图像处理、数据图像全面处理、目标精准识别等专业技术，经过对视频帧图像展开综合处理研究，把空间运动发现目标从历史背景地区里选取出之后，获取空间运动发现目标的具体位置、大小等数据信息，为后续操作控制计算全面处理供应数据信息。空间运动发现目标测试运算方法有很多种不同，参考依据历史背景地区是否空间运动改变可以划分为静态历史背景测试与实时动态历史背景测试这两大类。静态历史背景指的是摄像机镜头具体位置静止，历史背景视频图像同时也是固定的，仅有空间运动发现目标空间运动；实时动态历史背景指的是摄像机镜头随空间运动发现目标物体改变，实时动态历史背景下的空间运动发现目标和历史背景地区存在相对移动，所以实验模型成立和测试运算方法相对庞杂[22]。本章主要分析研究了静态历史背景下的空间运动四旋翼无人机目标检测算法并对运动目标中心位置进行计算。1.1运动目标检测算法分析空间运动发现目标测试运算方法是实时的在被实时监视场合里测试空间运动发现目标，在静态历史背景下普遍常用的测试模式有3类：帧间差分法、历史背景差分法、光流法[23]，每种检测算法具有各自的优缺点和适用范围。（1）帧间差分法帧间差分法是对连续视频帧图像进行图像像素的帧间差分运算来提取相邻帧的变化区域，从而得到运动物体轮廓[23]。通常选取相邻的两帧图像进行差分运算，设某当前时刻帧图像为，前一时刻的帧图像为，对当前帧图像与前一帧图像进行差分运算如下：（1.1）其中为当前帧图像坐标处的灰度值，为前一帧图像坐标为处的灰度值，为差分后的绝对值，可通过判断出运动目标区域，如公式（1.2）所示：（1.2）在这其中，为判定控制阀数值，如果相邻两帧图像同一图像像素间实际有效灰度有效差值高于，则二数值图像相对应图像像素设立为1，代表未空间运动发现目标地区，不然为0代表历史背景地区。帧间差分法的流程示意图，如下示意图1.1所示。图1.1帧间差分法流程图经过检测算法运算后把获取的二数值图像展开存在形态学全面处理，自动输出测试出的空间运动发现目标，仿真模拟测试实验最终结果如下示意图1.2所示。（a）第fk-1帧图像（b）第fk帧图像（c）第fk+1帧图像.（d）fk-fk-1帧结果（e）fk+1-fk帧结果图1.2帧间差分法检测结果从测试实验最终结果能够得知，帧间差分法能迅速测试出场合里的空间运动物品发现目标，计算量小而且方方便完成，但是如下示意图1.2（d）、（e）所示帧间差分法选取发现目标物体界限轮廓不够清楚完整，假如发现目标空间运动速率太快，容易导致物品具体形状拉伸如下示意图1.2（d），假如发现目标运动速率太慢，又容易导致物品组成部分界限重合如下示意图1.2（e），所以空间运动发现目标的速率将会影响该方法的检测性能。目前，根据这样问题可进一步采用三帧双差分法或者五帧三差分法展开优化提高改善，进而提高改善帧间差分法的测试作用功能。（2）历史背景差分法历史背景差分法是把视频图像目前帧和历史背景实验模型展开差分，来选取目前帧相比较于历史背景实验模型的改变地区，进而分割获取空间运动发现目标的模式[24]。背景差分法的关键是建立并持续更新保持一个最新历史背景实验模型，假定以获得的视频图像第n帧为历史背景实验模型，目前视频帧为，把目前帧和历史背景实验模型展开差分计算具体如下所示：（1.3）在这其中，为目前帧图像分布坐标图像像素实际有效灰度数值，为历史背景实验模型与之对应图像像素实际有效灰度数值，为差分后绝对标准数值，经过判定控制阀数值对差分后图像展开二值化计算：（1.4）二数值图像里，图像像素数值为1的地区也就是为测试出的空间运动发现目标地区[24]，历史背景差分法的流程示意图，如下示意图1.3所示。图1.3背景差分法流程图把获取的二数值图像展开存在形态学全面处理之后，可自动输出测试出的空间运动发现目标。对历史背景差分法展开仿真模拟，最终结果如下示意图1.4所示。从测试实验最终结果能够得知，历史背景差分法可有效克服了间差分法只可以获得发现目标轮廓、轮廓具体形状产生改变等的问题不足，但是历史背景减除法对场合的改变尤其敏锐，当场合里的历史背景图像像素产生改变，例如光照阴影频繁多次，尤其是当测试空间运动发现目标有效尺寸较小时之后，就会对测试最终结果形成巨大的影响作用。因为历史背景减除法的作用功能过分依靠历史背景实验模型的及时有效自动更新调整，如下示意图1.4（c）当无人操控机未全面进入场合时有鸟通过，而历史背景实验模型由第1帧代换为飞鸟通过时钟序列列帧，测试最终结果如下示意图1.4（e）就会产生差错问题。所以，历史背景实验模型的成立和自动更新调整是历史背景减除法作用功能的难题，同时也是这类应用模式分析研究的中心。（a）目前帧fk（b）历史背景实验模型bk（c）自动更新调整后历史背景实验模型b’k.（d）fk-bk最终结果（e）fk-b’k最终结果图1.4背景差分法检测结果（3）光流法光流法是使用空间运动发现目标随着时间改变的光流(Opticalflow)特征，经过对视频帧图像的光流场展开运算，也就是计算图像中有目标和没目标是的速度矢量的差异来测试发现目标，进而获取空间运动发现目标的模式[25]。光流场是一帧图像里每一个图像像素的速率方向矢量组成的方向矢量场，速率方向矢量由图像像素位移方向矢量除上帧间时间有效间隔获取。在视频图像的持续帧里，光流场在整帧图像里是持续改变的，当图像里产生空间运动发现目标，空间运动发现目标所产生的速率方向矢量必然与临近分布域历史背景速率方向矢量不相同，进而测试出空间运动发现目标。光流表现了在某一时间有效间隔内因为发现目标空间运动而引发图像的改变，在这其中，这个段时间有效间隔需要有充足的短小帧间空间运动改变。光流场是一个速率方向矢量场，它代表三维立体空间运动的物品点在二维平面图像上的反应表现。其运算根据两点假定：首先，所观测到的随意物品点亮度随着时间是维持恒定的；另一点是图像地区内部的邻近图像像素点的移动模式相似。其运算过程可假定有一图像排布序列：代表在时间点上分布坐标的实际有效灰度数值。用相关具体位置和时间的运算函数来描述表达这个图像，之后把其开展成泰勒排布序列（Taylorseries）：fx+dx,y+dy,t+dt=f其中fx，fy，ft分别表示f的偏导数，在时间间隔dfx+dx,y+dy,t+dt=fx若dx，dy，dt非常小，那么可以忽略不计（3,6）中的高阶项，且有−ft=f算法的目标是计算速度c=dxdtfx，fy，ft−ft=f其中∇f二维平面图像梯度。运算公式（1.9）是基本流光运算方程式，（u，v）组成速率场，也就是光流场[25]光流法在不可预知相关任何发现目标场合数据信息的实际情形下，可以检测得相对独立的空间运动发现目标，和摄像机分布状态没有什么关系。即使光流法能够准确测试出发现目标的速率，然而很多都需要遍历图像帧里每一个图像像素来评测光流，运算庞杂，十分耗用时间，对噪音敏锐，如果无超强的硬件设施支撑，无法在实时的视频图像全面处理体系里使用。1.2无人机运动目标检测算法流程在本文中，笔者四旋翼无人机空间运动发现目标测试运算方法需求从收集的视频帧里测试出自动输入图像里产生的空间运动发现目标，自动输入图像场合为摄像机固定的静态历史背景，可以测试出单个或者数个空间运动发现目标。整个测试运算方法可以划分为视频图像预先处理、根据历史背景差分的发现目标测试、测试后全面处理3个时期[26]。图像预先处理具体实现实际有效灰度图像交换与图像自动滤波；根据历史背景差分的发现目标测试主要展开历史背景实验模型成立和自动更新调整与空间运动发现目标选取计算；测试后全面处理要实现了存在形态学自动滤波与连通分量研究分析等运行工作。四旋翼无人机空间运动发现目标测试运算方法流程示意图，如下示意图1.5所示。图像数据输入图像数据输入图像灰度转换图像滤波首帧图像初始背景图像背景图像更新当前背景图像与当前帧图像相减并二值化形态学滤波连通分量分析获得运动目标图1.5检测算法流程图首先，将采集到的视频帧图像除去色彩信息，保留亮度值，也就是将彩色图像转换为灰度图像，对于RGB格式的图像序列可使用公式（2.4）进行转换。完成灰度图像后，使用均值滤波模板对灰度图像进行滤波，减小图像中的噪声，同时除去部分非目标物体的不相干细节。假设当前图像为第1帧图像，将其作为初始背景，若为后续帧图像，则按公式（1.4）对背景模型进行更新。更新参数取，本文设定更新60帧后开始测试发现目标，把目前帧和历史背景实验模型相减，由判定控制阀数值把差分最终结果二值化计算，获取的二数值图像，运用开计算展开存在形态学自动滤波，用组成结构基本元素，去除在这其中，存在的噪音，获取良好的发现目标存在形态。之后使用连通分量研究分析，把图像像素点按照8临近分布域搜查分别标上标识，把相同标识图像像素数学集合作为一个总体，图像像素数量高于一定数值也就是为测试出的空间运动发现目标，最终自动输出测试最终结果。1.3基于投影的空间运动目标计划定位视频图像空间运动目标计划定位事实上就是做出视频里空间运动发现目标的具体位置系数，可以对空间运动发现目标展开准确的具体位置描述表达而且为之后的全面处理做准备。本节针对视频图像空间运动发现目标的准确定位分析研究是在上一节针对空间运动发现目标准确测试的基础之上针对每一帧的空间运动发现目标展开准确定位。参考依据详细的具体位置系数实现了两项运行工作：一是把空间运动发现目标在详细的每一帧里标识出来；其次，做出空间运动发现目标的详细位置分布坐标数据信息。对视频图像空间运动发现目标展开准确定位有根据地区生长的准确定位、根据投影的准确定位与根据聚类的准确定位这三类模式。根据地区生长的准确定位模式不单单针对要全面处理的空间运动发现目标图像需求具备优良的空域连通性并且易产生过分分割的实际现象，还存在通常数据信息运算量比较多。根据聚类的准确定位模式主要针对视频里具有着数个空间运动发现目标的实际状况展开综合处理研究，而且根据聚类的模式其运算方法庞杂度比较大。在本文中，笔者主要分析研究的是固定摄像机机器设备收集的单空间运动发现目标图像的准确定位，结合上面提起的几准确定位模式在本文中，笔者选用根据投影的空间运动目标计划定位模式。针对使用上一节的改善运算方法对视频图像展开综合处理研究后我们能够获取作用效果较最为理想的测试作用效果，我们把空间运动发现目标的图像像素数值设置为255，其余所有点的像素值设为0可得到运动目标的二值图像。确定运动目标区域后通过对含有运动目标的二值图像进行逐行扫描，可以得到运动目标像素点在水平方向的具体分布情况，同理当我们对此二值图像进行逐列扫描时能够得到运动目标像素点在垂直方向具体的分布情况。得到运动目标对应的像素点具体的分布情况后，可以将此运动目标在具体的视频帧中标记出来。具体的标记情况如图1.6所示.将标记的信息反映到具体的视频帧中并用红色的矩形框将运动目标在具体的视频帧中进行实时标记，得到详细的效果如图1.7所示.图1.6图1.7从上面的两幅图中我们可以看出我们已经利用矩形框对运动目标进行了较好的定位标记，然而在实际应用过程中定位不仅要求我们将运动目标标记出来，还要给出运动目标的中心位置信息。1.4运动物体的中心计算在对视频中的运动目标物体利用投影法进行定位后，则更需要精确的定位信息，其中比较重要的一点就是要计算出运动目标的中心位置，并给出在具体的视频帧中此中心位置的具体坐标并且将中心位置坐标标记出来值。若要得到准确的坐标值，首先应该明确图像对应的坐标系和坐标原点。对于视频图像具体的坐标系，可假设原点在左上角，水平向右指向的为x轴，垂直向下指向的为y轴，在视频帧中具体的坐标值是基于此坐标系的。具体坐标系如图1.8所示。对于分辨率已定的视频图像，其所对应的视频帧的具体大小也是已知的。通过扫描检测到的运动目标所对应的像素可以得到运动目标的每个点在具体分辨率的视频帧图像中的坐标。使用投影定位分析法可以得到检测到的运动目标所对应的像素具体的分布情况及坐标值。如何得到矩形框的具体过程如下：通过逐行的扫描可以得到运动对象所有的像素点所对应的最小行号Hmin和最大行号Hmax，同理在逐列进行扫描时可以得到运动对