[發明專利]無人機對地面運動車輛自動檢測與分類方法

在審

• 申請號: 201710535601.6
• 申請日: 2017-07-04
• 公開（公告）號: CN107316030A
• 公開（公告）日: 2017-11-03
• 發明（設計）人: 楊濤;解博琳;劉睿愷;李治;張艷寧
• 申請（專利權）人: 西北工業大學深圳研究院;西北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 西北工業大學專利中心61204
• 代理人: 王鮮凱

1.一種無人機對地面運動車輛自動檢測與分類方法，其特征在于包括以下步驟：

步驟一、采用HOG特征作為分類器的特征算子；

進行HOG特征提取：

將一個分割出64*128像素的樣本進行如下操作：

1)將圖像灰度化；

2)采用Gamma校正法對輸入圖像進行顏色空間的標準化；

3)計算圖像每個像素的梯度，獲取輪廓信息并減弱光的變化或者目標顏色不同造成的影響；

計算圖像橫坐標和縱坐標方向的梯度，并根據圖像橫坐標和縱坐標方向的梯度計算每個像素位置的梯度方向值；圖像中像素點(x,y)的梯度為：

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)分別表示輸入樣本圖像中位于點(x,y)處的水平方向梯度、垂直方向梯度和像素的值；

在像素(x,y)處的梯度值：

在像素(x,y)處的梯度方向：

4)將圖像劃分成8*8的小塊；

5)統計每個小塊的梯度直方圖；

6)將四個小塊組成一個16*16的大塊，一個大塊內所有小塊的特征串聯起來得到該大塊的HOG特征；

7)將圖像樣本內的所有大塊的HOG特征串聯起來，得到該樣本的HOG特征；

SVM分類器的訓練：

SVM算法的實質是找出一個能夠將樣某個值最大化的超平面，這個值就是超平面離所有訓練樣本的最小距離；下面的公式定義了超平面的表達式:

f(x)＝β₀+β^Tx (5)

β叫做權重向量，β₀叫做偏置；通過任意的縮放β和β₀找到最優值使平面到它附近點的距離最小；使用以下方式來表達最優超平面：

|β₀+β^Tx|＝1 (6)

式中，x表示距離超平面最近的一些點；由于知道點x到超平面(β，β₀)的距離為D_SV，這些點被稱為支持向量；由點到平面的距離可知支持向量到超平面的距離是

DSV=|β0+βTx|||β||=1||β||---(7)]]>

M是超平面離所有訓練樣本的最小距離的2倍

M=2||β||---(8)]]>

最后最大化M轉化為在附加限制條件下最小化函數L(β)；限制條件隱含超平面將所有訓練樣本x_i正確分類的條件；

且

式中，y_i表示樣本的類別標記；通過拉格朗日乘數法得到最優超平面的權重向量β和偏置β₀，得出分類超平面；并根據需要訓練一種或多種分類器；分類器方法的實現來自于opencv的函數；

步驟二、令表示在時間t時第i個方塊，令表示塊中像素個數，令表示在時間t時像素j的灰度值，令和分別表示的SGM的均值、方差和生存期；且它們按照公式

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V_i^(t)定義如下：

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對t-1時刻的SGM模型進行補償之后的結果；

令分別表示塊i的候選模型在時刻t的均值，方差和生存期，令分別表示塊i的正在用的模型在時刻t的均值，方差和生存期；將兩個模型按照如下規定進行更新：如果觀測到的均值和模型的均值的方差小于規定閾值θ_s，也就是滿足公式：

(Mi(t)-μA,i(t))2<θsσA,i(t)---(15)]]>

則按照公式(10)、公式(11)和公式(12)對正在用的模型進行更新；同樣，如果以上條件不滿足并且觀測值與候選模型相匹配，即

(Mi(t)-μC,i(t))2<θsσC,i(t)---(16)]]>

則同樣按照公式(10)、公式(11)和公式(12)對備用模型進行更新，如果以上都不滿足，則用當前的觀測值來初始化備用模型；

當采用以上步驟進行更新的時候，能夠保證只有一個模型進行過更新而另一個保持不變；更新后，若兩個模型滿足以下條件，則進行交換：

αC,i(t)>αA,i(t)---(17)]]>

備選模型在交換后進行初始化；最終，只有一個正在用的模型用來進行目標檢測；

然后將輸入圖像分成X*Y大小的塊，特征點是塊的中心，并在每一個塊上通過KLT光流算法匹配求出的特征點，使用RANSAC算法求解出符合大部分特征點匹配情況的射影變換矩陣H_t:t-1，用來表示t時所有像素投射到t-1時圖像上的變換矩陣；令x_j表示像素j的位置，將塊的中心位置記作將位置x通過H_t:t-1變換后的位置記作f_PT(x,H_t,t-1)；對于每一個塊G_i的區域X_i將其進行補償后，其位置和其臨近的幾個塊如果發生重疊，將與其發生重疊的幾個塊的按照其重疊面積的大小分配相對應的權重進行混合來完成運動補償工作；令表示與X_i發生重疊的塊，令ω_k表示混合的權重，然后按照以下公式進行各個分塊的SGM的混合，最終達到運動補償的目的：

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，有這是為了將多個高斯模型混合成為一個的時候，新的方差應該是不僅包括原有的塊內像素方差，還包括這些塊進行混合，各個塊之間的方差；在經過運動補償之后，如果方差的大小超過閾值θ_v，也就是則將對模型的生存期進行如下修改：

α~i(t-1)←α~i(t-1)exp{-λ(σ~i(t-1)-θv)}---(23)]]>

其中，λ是衰減系數；通過這種衰減方式避免模型中存在過大的方差，減少由于一些邊緣導致的錯檢；

最后進行運動目標的檢測；對于每個屬于塊i的像素j，設置閾值θ_d，若其灰度值滿足公式：

(Ij(t)-μA,i(t))2>θdσA,i(t)---(24)]]>

則將其劃分為前景像素；

步驟三、在進行完圖像中運動目標的分割之后，采用二值形態學處理方法和SVM分類器相結合的方法；使用腐蝕算法將不滿足運動目標檢測要求大小的目標去除然后膨脹到合適的大小：

將雙模高斯背景建模的目標檢測運動分割出的目標框提取HOG特征，并對目標的特征采取多個分類器級聯的方式進行分類。