[發(fā)明專利]飛鳥檢測方法和裝置

有效

• 申請?zhí)枺?/td>: 201710554857.1
• 申請日: 2017-07-10
• 公開（公告）號: CN107480591B
• 公開（公告）日: 2020-02-18
• 發(fā)明（設(shè)計）人: 曹先彬;吳天航;田舒曼;李巖;鄭潔宛
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京同立鈞成知識產(chǎn)權(quán)代理有限公司 11205
• 代理人: 宋揚;劉芳

本發(fā)明提供一種飛鳥檢測方法和裝置。方法包括：獲取待檢測視頻，待檢測視頻包括T幀圖像；獲取第t個目標(biāo)檢測區(qū)域，第t個目標(biāo)檢測區(qū)域為待檢測目標(biāo)在待檢測視頻的第t幀圖像中的區(qū)域，待檢測目標(biāo)為待檢測視頻中的運動物體；獲取第t個目標(biāo)檢測區(qū)域的形狀特征模型，形狀特征模型為第t個目標(biāo)檢測區(qū)域的預(yù)設(shè)輪廓點相對于預(yù)設(shè)極點和極軸的極坐標(biāo)分布；在預(yù)設(shè)的N個飛鳥姿態(tài)類型中，獲取與第t個目標(biāo)檢測區(qū)域的形狀特征模型最匹配的匹配飛鳥姿態(tài)類型；確定待檢測目標(biāo)在待檢測視頻中的姿態(tài)時變序列；若姿態(tài)時變序列與預(yù)設(shè)的M個飛鳥動作序列中至少一個飛鳥動作序列匹配，則確定待檢測目標(biāo)為飛鳥。提高了圖像處理過程中的計算速度，降低了錯報率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像檢測技術(shù)，尤其涉及一種飛鳥檢測方法和裝置。

背景技術(shù)

近年來隨著低空空域的逐步開放，低空飛行安全問題也受到了更多的關(guān)注。為保障飛行器在復(fù)雜低空環(huán)境下的安全飛行，低空威脅目標(biāo)檢測作為其中的一項關(guān)鍵技術(shù)，受到了國內(nèi)外航空界與學(xué)術(shù)界的高度重視。威脅低空飛行安全的要素包括很多，例如氣象、地形、建筑物、高壓線、飛鳥、蝙蝠等野生動物，以及放飛的風(fēng)箏、氣球、孔明燈等空中飄浮物等。飛鳥在與高速運動的飛機發(fā)生碰撞時，其撞擊的能量可與一發(fā)炮彈相比擬，相對于其他低空物體而言，飛鳥已成為嚴(yán)重威脅低空飛行安全的重要因素之一。需要對低空環(huán)境中的飛鳥進行檢測，以避免飛行器與飛鳥相撞。

目前，通過獲取低空運動物體的具體圖像，與龐大的圖像庫進行復(fù)雜的圖像比對，從而檢測獲取是否為飛鳥的結(jié)論。這種飛鳥檢測方法由于飛鳥的鳥種多樣性以及外觀多樣性，即使同一類飛鳥，不同姿態(tài)的外觀也不相同，以具體圖像進行比對的方法容易造成漏檢的問題，現(xiàn)有飛鳥檢測方法的準(zhǔn)確性較低。

發(fā)明內(nèi)容

本發(fā)明提供一種飛鳥檢測方法和裝置，實現(xiàn)對低空環(huán)境中飛鳥的準(zhǔn)確檢測。

第一方面，本發(fā)明提供了一種飛鳥檢測方法，包括：

獲取待檢測視頻，所述待檢測視頻包括T幀圖像，T為大于或等于1的整數(shù)；

獲取第t個目標(biāo)檢測區(qū)域，所述第t個目標(biāo)檢測區(qū)域為待檢測目標(biāo)在待檢測視頻的第t幀圖像中的區(qū)域，所述待檢測目標(biāo)為所述待檢測視頻中的運動物體，t＝1,……,T；

獲取所述第t個目標(biāo)檢測區(qū)域的形狀特征模型，所述形狀特征模型為所述第t個目標(biāo)檢測區(qū)域的預(yù)設(shè)輪廓點相對于預(yù)設(shè)極點和極軸的極坐標(biāo)分布；

在預(yù)設(shè)的N個飛鳥姿態(tài)類型中，獲取與所述第t個目標(biāo)檢測區(qū)域的形狀特征模型最匹配的匹配飛鳥姿態(tài)類型，N為大于或等于1的整數(shù)；

確定所述待檢測目標(biāo)在所述待檢測視頻中的姿態(tài)時變序列，所述姿態(tài)時變序列包括所述T幀圖像的所述匹配飛鳥姿態(tài)類型；

將所述姿態(tài)時變序列與預(yù)設(shè)的M個飛鳥動作序列匹配，若所述姿態(tài)時變序列與所述預(yù)設(shè)的M個飛鳥動作序列中至少一個飛鳥動作序列匹配，則確定所述待檢測目標(biāo)為飛鳥，M為大于或等于1的整數(shù)。

進一步地，所述獲取所述第t個目標(biāo)檢測區(qū)域的形狀特征模型，包括：

顯示所述第t個目標(biāo)檢測區(qū)域；

根據(jù)外部輸入確定所述輪廓點、極點和極軸；

根據(jù)以所述極點和極軸確定的極坐標(biāo)，獲取所述輪廓點的極坐標(biāo)分布為所述形狀特征模型。

進一步地，在所述獲取與所述第t個目標(biāo)檢測區(qū)域的形狀特征模型最匹配的匹配飛鳥姿態(tài)類型之前，還包括：

獲取飛鳥圖片；

對所述飛鳥圖片分姿態(tài)聚類獲得所述N個飛鳥姿態(tài)類型；

根據(jù)對所述N個飛鳥姿態(tài)類型中包括的飛鳥圖片數(shù)量，確定所述飛鳥姿態(tài)類型的權(quán)重。