[发明专利]无人机对地面运动车辆自动检测与分类方法

摘要

本发明公开了一种无人机对地面运动车辆自动检测与分类方法，用于解决现有运动目标检测方法实用性差的技术问题。技术方案是构建两个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。

主权项

一种无人机对地面运动车辆自动检测与分类方法，其特征在于包括以下步骤：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：Gx(x,y)＝H(x+1,y)‑H(x‑1,y)   (1)Gy(x,y)＝H(x,y+1)‑H(x,y‑1)   (2)式中，Gx(x,y)，Gy(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+βTx   (5)β叫做权重向量，β0叫做偏置；通过任意的缩放β和β0找到最优值使平面到它附近点的距离最小；使用以下方式来表达最优超平面：|β0+βTx|＝1   (6)式中，x表示距离超平面最近的一些点；由于知道点x到超平面(β，β0)的距离为DSV，这些点被称为支持向量；由点到平面的距离可知支持向量到超平面的距离是DSV=|β0+βTx|||β||=1||β||---(7)]]>M是超平面离所有训练样本的最小距离的2倍M=2||β||---(8)]]>最后最大化M转化为在附加限制条件下最小化函数L(β)；限制条件隐含超平面将所有训练样本xi正确分类的条件；且式中，yi表示样本的类别标记；通过拉格朗日乘数法得到最优超平面的权重向量β和偏置β0，得出分类超平面；并根据需要训练一种或多种分类器；分类器方法的实现来自于opencv的函数；步骤二、令表示在时间t时第i个方块，令表示块中像素个数，令表示在时间t时像素j的灰度值，令和分别表示的SGM的均值、方差和生存期；且它们按照公式μi(t)=α~i(t-1)α~i(t-1)+1μ~i(t-1)+1α~i(t-1)+1Mi(t)---(10)]]>σi(t)=α~i(t-1)α~i(t-1)+1σ~i(t-1)+α~i(t-1)α~i(t-1)+1Vi(t)---(11)]]>αi(t)=α~i(t-1)+1---(12)]]>其中，和Vi(t)定义如下：Mi(t)=1|Gi|ΣIj(t)j∈Gi---(13)]]>Vi(t)=maxj∈Gi(μi(t)-Ij(t))2---(14)]]>并且和表示在t对t‑1时刻的SGM模型进行补偿之后的结果；令分别表示块i的候选模型在时刻t的均值，方差和生存期，令分别表示块i的正在用的模型在时刻t的均值，方差和生存期；将两个模型按照如下规定进行更新：如果观测到的均值和模型的均值的方差小于规定阈值θs，也就是满足公式：(Mi(t)-μA,i(t))2<θsσA,i(t)---(15)]]>则按照公式(10)、公式(11)和公式(12)对正在用的模型进行更新；同样，如果以上条件不满足并且观测值与候选模型相匹配，即(Mi(t)-μC,i(t))2<θsσC,i(t)---(16)]]>则同样按照公式(10)、公式(11)和公式(12)对备用模型进行更新，如果以上都不满足，则用当前的观测值来初始化备用模型；当采用以上步骤进行更新的时候，能够保证只有一个模型进行过更新而另一个保持不变；更新后，若两个模型满足以下条件，则进行交换：αC,i(t)>αA,i(t)---(17)]]>备选模型在交换后进行初始化；最终，只有一个正在用的模型用来进行目标检测；然后将输入图像分成X*Y大小的块，特征点是块的中心，并在每一个块上通过KLT光流算法匹配求出的特征点，使用RANSAC算法求解出符合大部分特征点匹配情况的射影变换矩阵Ht:t‑1，用来表示t时所有像素投射到t‑1时图像上的变换矩阵；令xj表示像素j的位置，将块的中心位置记作将位置x通过Ht:t‑1变换后的位置记作fPT(x,Ht,t‑1)；对于每一个块Gi的区域Xi将其进行补偿后，其位置和其临近的几个块如果发生重叠，将与其发生重叠的几个块的按照其重叠面积的大小分配相对应的权重进行混合来完成运动补偿工作；令表示与Xi发生重叠的块，令ωk表示混合的权重，然后按照以下公式进行各个分块的SGM的混合，最终达到运动补偿的目的：μ~i(t-1)=Σk∈Oi(t)ωkμk(t-1)---(18)]]>σ~i(t-1)=Σk∈Oi(t)ωk{σk(t-1)+[μk(t-1)]2-[μ~i(t-1)]2}---(19)]]>α~i(t-1)=Σk∈Oi(t)ωkαk(t-1)---(20)]]>ωk=Xi∩GK(t)GK(t)---(21)]]>Σkωk=1---(22)]]>在公式(19)中，有这是为了将多个高斯模型混合成为一个的时候，新的方差应该是不仅包括原有的块内像素方差，还包括这些块进行混合，各个块之间的方差；在经过运动补偿之后，如果方差的大小超过阈值θv，也就是则将对模型的生存期进行如下修改：α~i(t-1)←α~i(t-1)exp{-λ(σ~i(t-1)-θv)}---(23)]]>其中，λ是衰减系数；通过这种衰减方式避免模型中存在过大的方差，减少由于一些边缘导致的错检；最后进行运动目标的检测；对于每个属于块i的像素j，设置阈值θd，若其灰度值满足公式：(Ij(t)-μA,i(t))2>θdσA,i(t)---(24)]]>则将其划分为前景像素；步骤三、在进行完图像中运动目标的分割之后，采用二值形态学处理方法和SVM分类器相结合的方法；使用腐蚀算法将不满足运动目标检测要求大小的目标去除然后膨胀到合适的大小：将双模高斯背景建模的目标检测运动分割出的目标框提取HOG特征，并对目标的特征采取多个分类器级联的方式进行分类。