[发明专利]基于卷积神经网络和图像形态学的无人机障碍物检测方法

说明书

本发明涉及一种基于卷积神经网络和图像形态学的无人机障碍物检测方法，包括：对拍摄到的前方图像进行预处理，然后通过简单的特征从图像中定位出无人机可能出现的位置，以提高系统的实时性。接着对图像进行形态学处理，去除图像图像中可能存在的噪声等影响。最后利用已经训练好的卷积神经网络来对前者所获取的无人机假设生成区域进行检验，将卷积神经网络判断为非目标的区域从假设产生区域的集合中去除，最后将判定为目标区域的图像进行标记，输出对应图像。本发明能够有效的提高检测的准确率和实时性，而且卷积神经网络具有从原始图片中自适应提取特征的优点，可以有效规避人工特征提取的局限性。

技术领域

本发明涉及无人机自主飞行技术领域，特别是涉及一种基于卷积神经网络和图像形态学的无人机障碍物检测方法。

背景技术

障碍物规避是无人机自主飞行的关键问题，特别是在无人机群的应用范围增加的情况下，无人机群中的无人机等移动障碍物以及作业地点的复杂环境里的其它障碍物，会对无人机造成极大的威胁。为了确保安全，快速判定障碍物位置并做出相应的控制策略变得尤为重要。

目前国内外针对无人机避障，主要依靠无人机附带的环境探测传感器：超声波测距传感器、激光雷达传感器及双摄像头立体视觉传感器。但是，利用传感器来感知无人机周围的环境和障碍物有比较明显的干扰问题。虽然超声波避障系统不会受到光线、粉尘、烟雾的影响，但在部分场景下也会受到声波的干扰。其次，如果物体表面反射超声波的能力不足，避障系统的有效距离就会降低，安全隐患会显著提高。一般来说，超声波的有效距离是5米，这显然无法满足无人机作业的需求。现如今，无人机群的应用环境愈发复杂多变，不同的地点和不断变化的气候等情况要求无人机群检测算法具有鲁棒性；其次，检测是否正确影响着系统的决策，只有正确的定位前方的障碍物，系统才能做出正确的决策，避免事故发生，所以要求无人机群检测算法具有准确性；最后，障碍检测算法速度要快才能够避免事故的发生，要求障碍检测算法具有实时性。传统的基于先验知识的，基于模板匹配的，基于机器学习的检测算法所使用的特征提取方法，通常都是人工设计的，虽然这些特征提取算法可以从样本中获取具有代表性的特征，但由于人工描述特征的局限性，对于不同的检测目标使用不同的特征提取算法会有大相径庭的效果，因此其鲁邦性较差。且以上方法提取出来的特征较为简单，只适用于结构非常简单的目标检测，对于复杂的物体匹配的准确度低。无法满足准确性的要求。

发明内容

本发明所要解决的技术问题是提供一种基于卷积神经网络和图像形态学的无人机障碍物检测方法，能够有效的提高检测的准确率和实时性。

本发明解决其技术问题所采用的技术方案是：提供一种基于卷积神经网络和图像形态学的无人机障碍物检测方法，包括以下步骤：

(1)无人机对图像信息进行采集；

(2)对采集到的图像信息进行预处理；

(3)对预处理后的图像进行假设生成目标区域；

(4)对得到的图像进行形态学处理；

(5)利用卷积神经网络检验判定形态学处理后得到的假设生成目标区域；

(6)输出图像处理结果。

所述步骤(1)中通过安装在无人机前方的摄像机以设定的拍摄时间周期进行拍摄以采集图像信息。

所述步骤(2)中的预处理包括灰度化处理和滤波去噪处理。

所述灰度化处理具体为：将图像信息的RGB三个分量进行加权平均得到灰度值；所述滤波去噪处理具体为：对于原图像中的每一个像素点使用其邻域的像素点的加权平均值代替原像素点，其中权值是根据高斯函数的函数形状来决定的。

所述步骤(3)具体为：通过无人机区别于背景图像的显著性特征将无人机从图像中检测出来，得到无人机的假设生成区域，判断无人机可能存在的大致区域。