[发明专利]无人机对地面运动车辆自动检测与分类方法

说明书

技术领域

本发明涉及一种运动目标检测方法，特别涉及一种无人机对地面运动车辆自动检测与分类方法。

背景技术

运动目标检测是目前计算机视觉应用的热点和焦点之一，同时实时对运动目标进行视觉分析也是一项十分重要的核心问题，尤其是在移动平台下进行移动目标实时检测更具有挑战性。搭载在无人机平台上捕捉和检测获取视频序列中的运动目标并对运动目标进行分类在很多方面都有着广泛的应用。现有的运动目标自动检测方法主要有光流法、减背景法和差分法等。普通的背景减法和差分法等无法用在运动背景下的运动目标检测算法。光流法由于计算量等问题无法实现实时的运动检测。例如自由移动相机全景背景建模(N.I.Rao,H.Di,and G.Xu.Panoramic background model under free moving camera.In Proceedings of the Fourth International Conference on Fuzzy Systems and Knowledge Discovery-Volume 01,FSKD'07,pages 639-643,Washington,DC,USA,2007.IEEE Computer Society.2)，其使用了稀疏LK光流弥补背景的变化。然而,考虑到为了提高准确性使用多张相邻图像增加了必要的计算,减慢了整个算法。而且这些运动分割算法缺少有效的去除虚警和对目标分类的功能，在复杂的立体背景中效果不佳。

综上所述，现有的许多方法提出了运动相机下移动物体检测，但是其实用性不高。限制了这些方法实用性的最关键的原因是其需要的计算量非常大，不能实时运行。而且上述方法无法对运动目标进行视频智能分析，没有很有效的去除虚警。

发明内容

为了克服现有运动目标检测方法实用性差的不足，本发明提供一种无人机对地面运动车辆自动检测与分类方法。该方法构建两个SGM模型，分别作为现用背景模型和备用背景模型。将前一帧图像中的不同块的SGM模型分配不同权重进行模型混合实现前后帧之间的运动补偿，得到当前帧的背景建模结果。选择像素方差大于阈值的均值作为前景像素，通过比较像素方差的方式进行运动区域的检测。得到背景模型后，选择像素方差大于阈值的均值的像素作为前景像素。在分类之前将大量常见的虚警和目标编为正负样本，使用HOG特征作为训练SVM分类器的算子，并建立一级或多级SVM分类器，使用多级SVM分类器级联的方法分类多种目标，实用性好。

本发明解决其技术问题所采用的技术方案：一种无人机对地面运动车辆自动检测与分类方法，其特点是包括以下步骤：

步骤一、采用HOG特征作为分类器的特征算子。

进行HOG特征提取：

将一个分割出64*128像素的样本进行如下操作：

1)将图像灰度化。

2)采用Gamma校正法对输入图像进行颜色空间的标准化。

3)计算图像每个像素的梯度，获取轮廓信息并减弱光的变化或者目标颜色不同造成的影响。

计算图像横坐标和纵坐标方向的梯度，并根据图像横坐标和纵坐标方向的梯度计算每个像素位置的梯度方向值；图像中像素点(x,y)的梯度为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)(1)

G_y(x,y)＝H(x,y+1)-H(x,y-1)(2)

式中，G_x(x,y)，G_y(x,y)，H(x,y)分别表示输入样本图像中位于点(x,y)处的水平方向梯度、垂直方向梯度和像素的值。

在像素(x,y)处的梯度值：

在像素(x,y)处的梯度方向：

4)将图像划分成8*8的小块；

5)统计每个小块的梯度直方图；

6)将四个小块组成一个16*16的大块，一个大块内所有小块的特征串联起来得到该大块的HOG特征。

7)将图像样本内的所有大块的HOG特征串联起来，得到该样本的HOG特征。

SVM分类器的训练：

SVM算法的实质是找出一个能够将样某个值最大化的超平面，这个值就是超平面离所有训练样本的最小距离。下面的公式定义了超平面的表达式:

f(x)＝β₀+β^Tx(5)