本发明属于图像处理、视频分析技术领域，具体涉及一种适用于无人机的运动目标检测方法。
背景技术：
在传统的安防监控领域，通常由安装在地面固定位置的摄像机对固定场景进行拍摄，实现后台人工监控，也可以结合视频分析、图像处理技术实现对入侵目标的自动检测报警等功能。近几年来，随着无人机行业飞速发展，无人机也越来越多应用于安防监控领域，尤其是系留无人机的出现，使安防人员能够长时间对地面大范围场景进行人工或自动的监控。
随着科学技术的发展，无人机可以搭载多种图像载荷(例如可见光、红外传感器等)，对不同图像传感器回传的图像数据进行自动目标检测，是保证无人机具有全天候作战能力的基础。无人机图像是在高空、运动环境下拍摄得到，在无人机悬停监控过程中，即使采用了自稳吊舱，使得画面稳定程度大大提高，但由于gnss定位精度、画面视场角(可能会以较大变焦倍数监控)、大风等因素，难以避免画面的小范围飘移现象。并且，画面中也会经常出现树木摇摆、水面反光等噪声，这些因素都为无人机的自动监控带来了难度。
技术实现要素：
本发明的目的在于提供一种适用于无人机的运动目标检测方法，合不同方法提取前景目标，并进行了可靠的滤波去噪，实现了对画面飘移及干扰目标(树木摆动等)的处理，提取到鲁棒的运动目标，降低了监控过程中的误报概率，一定程度上减少了人力开支，以解决上述背景技术中提出的现有无人机在自动监控过程中出现的画面飘移、噪声问题，实现对地面关键区域的入侵目标检测。
为实现上述目的，本发明采用了如下技术方案：
一种适用于无人机的运动目标检测方法，包括如下步骤：
s1、在初始化阶段，通过vibe算法对背景噪声进行建模；
s2、通过vibe提取前景目标，获取前景掩码图像mask0；
s3、对相邻帧进行特征检测、匹配并对齐，应用帧差法提取前景目标，获取前景掩码图像mask1；
s4、对mask0和mask1取交集，获取粗提取的前景目标，进行形态学去噪，并根据自定义显著性特征进一步去噪筛选，获取鲁棒前景目标。
优选的，结合不同方法提取前景目标，并进行了可靠的滤波去噪，实现了对画面飘移及干扰目标(树木摆动等)的处理，提取到鲁棒的运动目标。
优选的，结合不同方法提取前景目标的方法包括：
通过vibe方法对背景噪声进行建模，并提取前景目标，获取前景掩码图像mask0；
通过对相邻帧进行特征检测、匹配并对齐，应用帧差法提取前景目标，获取前景掩码图像mask1。
优选的，进行可靠的滤波去噪，实现对画面飘移及干扰目标(树木摆动等)的处理的方法包括：
对mask0和mask1取交集，获取粗提取的前景目标，进行形态学去噪，然后根据自定义显著性特征进一步去噪筛选，获取鲁棒的前景目标；
优选的，根据自定义显著性特征进行去噪筛选，获取鲁棒的前景目标的方法包括：
在粗提取的前景目标掩码图像中，提取目标轮廓，并根据目标轮廓的最小外接矩形长宽比、轮廓内面积进行去噪，筛除面积过小或最小外接矩形长宽比过大的前景目标；
对筛选后的每一个前景目标，结合原始图像，在目标邻域选取8个特征块，每个特征块的大小等于目标的外接矩形大小，并对8个特征块的每个特征块，都进行平均色调和平均灰度值的提取，得到该目标邻域平均色调集合ht0～ht7和平均灰度集合gt0～gt7；
对于集合ht0～ht7的每个元素，分别与目标的色调特征hm进行差值计算，提取差值绝对值大于th的元素，计算其数量为mh；同样，对于集合gt0～gt7的每个元素，分别与目标的灰度特征gm进行差值计算，提取差值绝对值大于tg的元素，计算其数量为mg；
如果满足mh mg＞6，则认为该目标为可靠的运动目标。
优选的，所述vibe通过收集背景样本来构建背景模型，vibe算法如下：背景模型中每个像素点由20个背景样本构成；背景样本随机选择，比如无人机在悬停监控过程中，拍摄的画面，用于更新模型，其他样本被弃置；vibe算法存在一种空间传播机制，可以在将背景像素值插入在邻域像素点的模型样本库中；随机策略替代了模型样本中的一个值，它同时也会向某个邻域像素点的背景模型中插入这个值；vibe算法不受时间历史的影响。当旧值与新值被替换时，它们是被同等考虑的。如果一个像素点属于背景模型，则一个简单的处理：按照欧氏距离，找到至少两个相近样本，就能将该像素点划分为背景模型)，基于条件密度函数的底层模型或一系列样本值的背景模型；一个背景模型的共识由两种假定构成，一是假定背景像素点是由一个随机变量生成的，二是因此贴近于某个被给定的概率密度函数。这就足够估计密度函数的参数，确定一个新样本是否属于同样的分布。另外，也可能为背景模型收集样本值并存储它们，而不是计算背景像素点的底层概率密度函数的参数。
优选的，所述帧差法处理的方法包括：在图像序列相邻两帧或三帧间采用基于像素的时间差分通过闭值化来提取出图像中的运动区域。首先，将相邻帧图像对应像素值相减得到差分图像，然后对差分图像二值化，在环境亮度变化不大的情况下，如果对应像素值变化小于事先确定的阂值时，可以认为此处为背景像素:如果图像区域的像素值变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。
本发明的技术效果和优点：本发明提出的一种适用于无人机的运动目标检测方法，与现有技术相比，具有以下优点：
1、本发明能够满足无人机的应用场景，实现空中对地面大范围或关键区域的自动监控；
2、本发明通过结合不同方法提取前景目标，并进行了可靠的滤波去噪，实现了对画面飘移及干扰目标(树木摆动、水面反光等)的处理，提取到鲁棒的运动目标，降低了监控过程中的误报概率，一定程度上减少了人力开支。
附图说明
图1为本发明vibe建模结果示意图；
图2为本发明vibe前景提取结果示意图；
图3为本发明帧间匹配前景提取结果示意图；
图4为本发明前景粗提取效果 形态学去噪示意图；
图5为本发明目标邻域特征块划分示意图；
图6为本发明最终前景提取效果示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
实施例
本发明利用图像处理、视频分析技术，利用无人机搭载的可见光相机，对地面场景进行实时监控，自动提取运动目标，实现对关键区域的入侵报警。
请参阅图1-图6所示，本发明提供了一种适用于无人机的运动目标检测方法，包括步骤：
首先，对画面中的背景噪声进行建模。噪声包括画面明暗变化、树木摆动、水面反光等。通过vibe算法中的像素分析，获取连续多帧像素的灰度变化特性，在建模完毕后，噪声得以滤除。见图1；
其次，当对背景噪声建模完毕，当画面中出现一个新的运动目标后，该目标会被当做前景目标；而当画面出现飘移时，也会出现误检测的前景目标。这样得到了前景目标掩码mask0。见图2；
然后，在另一个线程中，对相邻两帧画面进行orb特征点检测并匹配，采用随机采样一致性方法(ransac)进行特征点去噪，并提取图像单应矩阵。根据该矩阵，进行图像对齐、帧差计算，获取前景目标掩码mask1。见图3；
根据mask0和mask1，进行图像与操作，得到粗提取的前景掩码，并进行形态学去噪，见图4；
根据粗提取的前景掩码图像，根据目标轮廓特征进行初筛选，得到去噪后的掩码图像；再计算去噪后的掩码图像中的每个目标像素坐标和大小，在原始图像中，对每一个目标，都生成邻域特征块，见图5；
对每个目标，根据自定义显著性特征进行去噪筛选，获取鲁棒的前景目标，并标注。见图6；
上述计算中，根据自定义显著性特征进行去噪筛选，获取鲁棒的前景目标的方法包括：
在粗提取的前景目标掩码图像中，提取目标轮廓，并根据目标轮廓的最小外接矩形长宽比、轮廓内面积进行去噪，筛除面积过小或最小外接矩形长宽比过大的前景目标；
对筛选后的每一个前景目标，结合原始图像，在目标邻域选取8个特征块，每个特征块的大小等于目标的外接矩形大小，并对8个特征块的每个特征块，都进行平均色调和平均灰度值的提取，得到该目标邻域平均色调集合ht0～ht7和平均灰度集合gt0～gt7；
对于集合ht0～ht7的每个元素，分别与目标的色调特征hm进行差值计算，提取差值绝对值大于th的元素，计算其数量为mh；同样，对于集合gt0～gt7的每个元素，分别与目标的灰度特征gm进行差值计算，提取差值绝对值大于tg的元素，计算其数量为mg；
如果满足mh mg＞6，则认为该目标为可靠的运动目标。
vibe通过收集背景样本来构建背景模型，vibe算法如下：背景模型中每个像素点由20个背景样本构成；背景样本随机选择，比如无人机在悬停监控过程中，拍摄的画面，用于更新模型，其他样本被弃置；vibe算法存在一种空间传播机制，可以在将背景像素值插入在邻域像素点的模型样本库中；随机策略替代了模型样本中的一个值，它同时也会向某个邻域像素点的背景模型中插入这个值；vibe算法不受时间历史的影响。当旧值与新值被替换时，它们是被同等考虑的。如果一个像素点属于背景模型，则一个简单的处理：按照欧氏距离，找到至少两个相近样本，就能将该像素点划分为背景模型)，基于条件密度函数的底层模型或一系列样本值的背景模型；一个背景模型的共识由两种假定构成，一是假定背景像素点是由一个随机变量生成的，二是因此贴近于某个被给定的概率密度函数。这就足够估计密度函数的参数，确定一个新样本是否属于同样的分布。另外，也可能为背景模型收集样本值并存储它们，而不是计算背景像素点的底层概率密度函数的参数。
帧差法处理的方法包括：在图像序列相邻两帧或三帧间采用基于像素的时间差分通过闭值化来提取出图像中的运动区域。首先，将相邻帧图像对应像素值相减得到差分图像，然后对差分图像二值化，在环境亮度变化不大的情况下，如果对应像素值变化小于事先确定的阂值时，可以认为此处为背景像素:如果图像区域的像素值变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。由于相邻两帧间的时间间隔非常短，用前一帧图像作为当前帧的背景模型具有较好的实时性，其背景不积累，且更新速度快、算法简单、计算量小。
方法原理：无人机自动监控场景中存在画面飘移和噪声的情况。对于较为常用的背景建模方法(vibe等)，能够对噪声进行建模并滤除，但难以适应画面小幅度的飘移情况；而帧间特征匹配、对齐后的帧差法能够适应画面小幅度的飘移，但却难以处理噪声。本方法结合了两种前景提取方法的优点，并结合自定义的显著性特征检测方法对前景进一步去噪，最终实现对运动前景的可靠检测。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种适用于无人机的运动目标检测方法，其特征在于，包括如下步骤：
s1、在初始化阶段，通过vibe算法对背景噪声进行建模；
s2、通过vibe提取前景目标，获取前景掩码图像mask0；
s3、对相邻帧进行特征检测、匹配并对齐，应用帧差法提取前景目标，获取前景掩码图像mask1；
s4、对mask0和mask1取交集，进行形态学去噪，并根据自定义显著性特征进一步去噪筛选，获取前景目标。
2.根据权利要求1所述的一种适用于无人机的运动目标检测方法，其特征在于：所述结合不同方法提取前景目标，并进行了可靠的滤波去噪，实现了对画面飘移及干扰目标(树木摆动、水面反光等)的处理，提取到鲁棒的运动目标。
3.根据权利要求2所述的一种适用于无人机的运动目标检测方法，其特征在于：所述结合不同方法提取前景目标的方法包括：
通过vibe方法对背景噪声进行建模，并提取前景目标，获取前景掩码图像mask0；
通过对相邻帧进行特征检测、匹配并对齐，应用帧差法提取前景目标，获取前景掩码图像mask1。
4.根据权利要求2所述的一种适用于无人机的运动目标检测方法，其特征在于：所述进行了可靠的滤波去噪，实现对画面飘移及干扰目标(树木摆动、水面反光等等)的处理的方法包括：
对mask0和mask1取交集，获取粗提取的前景目标，进行形态学去噪，然后根据自定义显著性特征进一步去噪筛选，获取鲁棒的前景目标。
5.根据权利要求4所述的一种适用于无人机的运动目标检测方法，其特征在于：所述根据自定义显著性特征进行去噪筛选，获取鲁棒的前景目标的方法包括：
在粗提取的前景目标掩码图像中，提取目标轮廓，并根据目标轮廓的最小外接矩形长宽比、轮廓内面积进行去噪，筛除面积过小或最小外接矩形长宽比过大的前景目标；
对筛选后的每一个前景目标，结合原始图像，在目标邻域选取8个特征块，每个特征块的大小等于目标的外接矩形大小，并对8个特征块的每个特征块，都进行平均色调和平均灰度值的提取，得到该目标邻域平均色调集合ht0～ht7和平均灰度集合gt0～gt7；
对于集合ht0～ht7的每个元素，分别与目标的色调特征hm进行差值计算，提取差值绝对值大于th的元素，计算其数量为mh；同样，对于集合gt0～gt7的每个元素，分别与目标的灰度特征gm进行差值计算，提取差值绝对值大于tg的元素，计算其数量为mg；
如果满足mh mg＞6，则认为该目标为可靠的运动目标。
6.根据权利要求1所述的一种适用于无人机的运动目标检测方法，其特征在于：所述vibe通过收集背景样本来构建背景模型，vibe算法如下：背景模型中每个像素点由20个背景样本构成；背景样本随机选择，比如无人机在悬停监控过程中，拍摄的画面，用于更新模型，其他样本被弃置；vibe算法存在一种空间传播机制，可以在将背景像素值插入在邻域像素点的模型样本库中；随机策略替代了模型样本中的一个值，它同时也会向某个邻域像素点的背景模型中插入这个值；vibe算法不受时间历史的影响。当旧值与新值被替换时，它们是被同等考虑的。如果一个像素点属于背景模型，则一个简单的处理：按照欧氏距离，找到至少两个相近样本，就能将该像素点划分为背景模型)，基于条件密度函数的底层模型或一系列样本值的背景模型；一个背景模型的共识由两种假定构成，一是假定背景像素点是由一个随机变量生成的，二是因此贴近于某个被给定的概率密度函数。这就足够估计密度函数的参数，确定一个新样本是否属于同样的分布。另外，也可能为背景模型收集样本值并存储它们，而不是计算背景像素点的底层概率密度函数的参数。
7.根据权利要求1所述的一种适用于无人机的运动目标检测方法，其特征在于：所述帧差法处理的方法包括：在图像序列相邻两帧或三帧间采用基于像素的时间差分通过闭值化来提取出图像中的运动区域。首先，将相邻帧图像对应像素值相减得到差分图像，然后对差分图像二值化，在环境亮度变化不大的情况下，如果对应像素值变化小于事先确定的阂值时，可以认为此处为背景像素:如果图像区域的像素值变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。
技术总结