一种基于图像检测的无人机航拍人像对准方法与流程

本发明涉及智能识别技术领域，具体涉及一种基于图像检测的无人机航拍人像对准方法。

背景技术

无人机最早出现在20世纪20年代，最初在军事上作为训练的靶机使用，随着科学技术的发展进步，无人机飞行器在社会生产生活中得到了广泛的应用，无人机飞行器的产品种类也越来越丰富，而且随着生产制造工艺和产品设计等各方面的优化，使得无人机飞行器的制造成本进一步降低，并得到了广泛的普及。无人机因为其具有体积小、结构简单紧凑，可垂直起降、获取影像机动灵活等特点，航拍成为了无人机的一个主要应用领域。

然而，现在传统的无人机航拍都是采用手持遥控器或计算机安装地面站的方式来控制无人机的飞行以及拍照。由于无人机飞行控制方式的复杂性，因此对无人机操作者的操作水平提出了较高的要求。为在无人机航拍过程中获得更高的稳定性与准确性，减轻操作人员的负担，无人机对拍照目标进行自动对准以及跟踪，成为了无人机飞行航拍的一个十分重要的问题。

技术实现要素：

本发明所要解决的技术问题是提供一种基于图像检测的无人机航拍人像对准方法，解决无人机航拍过程中的稳定性与准确性不高的问题。

本发明解决上述技术问题的技术方案如下：一种基于图像检测的无人机航拍人像对准方法，包括以下步骤：

s1、采集图像库中的人像样本，通过检测框框出人像样本中的目标人像；

s2、将人像样本输入ssd网络中进行训练，得到训练模型；

s3、通过无人机的双目摄像头实时采集图像，将图像信息送入训练模型中进行检测识别；

s4、当图像信息中存在目标人像时，进入步骤s5，否则返回步骤s3；

s5、通过训练模型得到目标人像的中心坐标；

s6、调整无人机的姿态角，使目标人像的中心在左眼相机的视野中心；

s7、通过目标人像中心坐标计算无人机与目标人像的距离，当距离大于设定距离，控制无人机靠近目标人像，否则远离目标人像。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤s1中检测框的尺寸大小计算公式为：

在公式(1)中，为检测框的宽，为检测框的高，sk为尺度，ar为纵横比，其中，sk的计算公式为：

在公式(2)中，smin为最底层特征图的尺度，smax为最高层特征图的尺度，smin＝0.2，smax＝0.95，m为特征图的个数，k为调节的尺度。

进一步，所述步骤s2中训练的具体步骤为：

s21、计算训练样本的目标损失函数l(x,c,l,g)，计算公式为：

在公式(3)中，n为正样本数，α为权重项，取值为1，x的取值为0或1，lconf为分类损失，lloc为位置损失，c为置信度，l为预测框，g为真实标定框；

s22、根据损失函数对各网络层进行逐层求导，利用梯度下降法更新每一层的权值参数，完成一次迭代；

s23、当迭代次数达到阈值时，进入步骤s24，否则返回步骤s22；

s24、得到训练模型。

进一步，所述步骤s7中无人机与目标人像距离z的计算公式为：

在公式(4)中，f为焦距，b为左眼相机与右眼相机的距离，d为视差，ul和ur分别为成像平面的坐标。

本发明的有益效果是：本发明通过使用ssd(singleshotmultiboxdetector)目标检测算法，使得无人机在飞行的过程中能够智能地识别拍照目标，并通过双目相机对目标进行测距，以实现对目标进行自动对准以及跟踪，降低无人机操作难度，增强无人机的智能性，使无人机具有跟拍与自拍的能力。

附图说明

图1为本发明总流程图；

图2为本发明步骤s2的流程图；

图3为本发明中双目测距的原理示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种基于图像检测的无人机航拍人像对准方法，包括以下步骤：

s1、采集图像库中的人像样本，通过矩形框框出人像样本中的目标人像；

s2、将人像样本输入ssd网络中进行训练，得到训练模型；

s3、通过无人机的双目摄像头实时采集图像，将图像信息送入训练模型中进行检测识别；

s4、当图像信息中存在目标人像时，进入步骤s5，否则返回步骤s3；

s5、通过训练模型得到目标人像的中心坐标；

s6、调整无人机的姿态角，使目标人像的中心在左眼相机的视野中心；

s7、通过目标人像中心坐标计算无人机与目标人像的距离，当距离大于设定距离，控制无人机靠近目标人像，否则远离目标人像。

在本发明实施例中，在各个卷积层钟选择一定数量的featuremap(特征图)产生不同尺度的defaultbox(默认检测框)。首先将某一特征图分为大小相同的8＊8或4＊4的格子，即featuremapcell(特征图单元)，对于每个特征图单元都会产生一系列固定大小的默认检测框。

在本发明实施例中，步骤s1中检测框的尺寸大小计算公式为：

在公式(1)中，为检测框的宽，为检测框的高，sk为尺度，ar为纵横比，其中，sk的计算公式为：

在公式(2)中，smin为最底层特征图的尺度，smax为最高层特征图的尺度，smin＝0.2，smax＝0.95，m为特征图的个数，k为调节的尺度。

当ar为1时，再添加一个的检测框，所以每个特征图单元都有6个默认检测框。这些不同尺寸、形状的默认检测框构成predictions(预测框)，这些预测框与待检测物体的真实标定框满足吻合条件，即两者jaccardoverlap(一种重叠计算准则)的值大于0.5，即为吻合则成为positiveboxes(正样本)，反之称为negativeboxes(负样本)，正负比例保持在1：3。

如图2所示，步骤s2中训练的具体步骤为：

s21、计算训练样本的目标损失函数l(x,c,l,g)，计算公式为：

在公式(3)中，n为正样本数，α为权重项，取值为1，x的取值为0或1，lconf为分类损失，lloc为位置损失，c为置信度，l为预测框，g为真实标定框；

s22、根据损失函数对各网络层进行逐层求导，利用梯度下降法更新每一层的权值参数，完成一次迭代；

s23、当迭代次数达到阈值(阈值的取值为10000)时，进入步骤s24，否则返回步骤s22；

s24、得到训练模型。

在本发明实施例中，双目相机是通过左右视差来判断相机里障碍物的距离，通过采集无人机左右相机的图像，计算图像间的视差，来估计一个像素的深度。双目相机一般有左眼相机和右眼相机组成，其光圈中心都位于x轴上，两者之间的距离成为双目相机的基线(baseline，记作b)如图3所示：

其中ol和or分别为左右光圈中心，方框为成相平面，相机的成像平面经过翻转后放在了镜头前方，f为焦距。ul和ur分别为成像平面坐标。假设点p为目标中心，其在左眼相机与右眼相机各成一像，记作pl和pr。如图3中的几何关系可知三角形pplpr与三角形polor为相似三角形，即可得到：步骤s7中无人机与目标人像距离z的计算公式为：

在公式(4)中，f为焦距，b为左眼相机与右眼相机的距离，d为视差，ul和ur分别为成像平面的坐标。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。