一种低空复杂背景无人机目标检测方法与流程

本发明属于图像检测技术领域，具体涉及一种基于周视红外搜索系统的低空复杂背景无人机目标检测方法。

背景技术：

近年来，随着无人机技术的快速发展和广泛应用，无人机目标探测技术已成为当前的热点研究课题。目前国内外主流的基于周视红外搜索系统的目标检测方法大多基于背景差分等手段提取目标，需要消耗大量的硬件资源存储背景图像，对搜索平台的稳定精度和配准算法的性能要求较高，不便于在以dsp为核心的实时嵌入式系统实现。

技术实现要素：

(一)要解决的技术问题

本发明提出一种低空复杂背景无人机目标检测方法，以解决如何有效排除复杂地物背景、飞鸟及云层干扰，准确检测天空背景中无人机目标的技术问题。

(二)技术方案

为了解决上述技术问题，本发明提出一种低空复杂背景无人机目标检测方法，该检测方法包括如下步骤：

s1、图像滤波：使用以下滤波模板与原始图像做卷积，滤波后原始图像中相对均匀的天空背景被压缩至较低的灰度级，而天空中相对较亮的小目标、地面亮背景的边缘仍保持较高的灰度级；

-1，-2，-3，-2，-1

-2，3，4，3，-2

-3，4，4，4，-3

-2，3，4，3，-2

-1，-2，-3，-2，-1

s2、提取疑似目标：对滤波后的图像数据设定灰度阈值、边缘追踪阈值、尺寸阈值，采用边缘追踪法提取图像中符合灰度、尺寸阈值要求的疑似目标；

s3、剔除背景干扰：分别统计步骤s2中疑似目标的邻域亮像素数，将亮像素数超出阈值范围的疑似目标判定为地物或云背景干扰予以剔除，剩余目标则为天空中的疑似小目标；

s4、时域信息相关建立目标航迹：通过判断疑似小目标运动轨迹进一步确认无人机目标。

进一步地，步骤s4具体包括：在前一帧图像某疑似目标一定大小的邻域内寻找后一帧图像中与其灰度最接近的疑似目标，若存在则认为是同一目标，根据前后两帧图像的目标位置计算目标的运动位移和方向；若某疑似目标连续两帧运动方向一致且位移在一定范围内则判定其为无人机目标。

(三)有益效果

本发明提出的低空复杂背景无人机目标检测方法，包括图像滤波、提取疑似目标、剔除背景干扰和时域信息相关建立目标航迹四个步骤。其中，图像滤波时使用的滤波模板专为天空背景弱小目标设计，滤波后显著提高目标与邻域背景的对比度，更有利于低信噪比图像的目标检测，同时有利于提取目标时灰度阈值、边缘追踪阈值的选取；利用疑似目标邻域特征值统计算法，能有效剔除绝大多数地物、云层等典型背景干扰，该方法不需要通过相邻帧图像配准和差分，对搜索转台稳定性要求不高，相比基于图像配准的算法时间复杂度低、更利于在实时嵌入式系统中实现；本发明充分利用无人机与碎云、地物、飞鸟运动特性的差异，通过对目标运动轨迹位移大小的限制和方向一致性的要求判断疑似目标是否为无人机目标，虚警率较低。

附图说明

图1为本发明实施例的无人机目标检测方法流程图；

图2为本发明实施例中边缘追踪算法流程图；

图3为本发明实施例中目标邻域示意图；

图4a为实施例1的700m远80m高无人机红外图像；

图4b为实施例1中图4a滤波后图像；

图4c为实施例1中图4b提取疑似目标结果；

图4d为实施例1中图4c去背景处理后的目标检测结果；

图4e为实施例1中图4a叠加目标检测结果矩形窗结果；

图5a为实施例2的1.2km远70m高无人机红外图像；

图5b为实施例2中图5a目标所在局部区域图像增强结果；

图5c为实施例2中图5a滤波后图像；

图5d为实施例2中图5c去背景处理后的目标检测结果；

图5e为实施例2中图5b叠加目标检测结果矩形窗结果；

图6a为实施例3的有云背景的400m远80m高无人机红外图像；

图6b为实施例3中图6a滤波后图像；

图6c为实施例3中图6b提取疑似目标结果；

图6d为实施例3中图6c去背景处理后的目标检测结果；

图6e为实施例3中图6a叠加目标检测结果矩形窗结果。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

本实施例提出一种低空复杂背景无人机目标检测方法，其流程如图1所示。该目标检测方法包括如下步骤：

s1、图像滤波：使用以下滤波模板与原始图像做卷积，滤波后原始图像中相对均匀的天空背景被压缩至较低的灰度级，而天空中相对较亮的小目标、地面亮背景的边缘仍保持较高的灰度级，从而更有利于步骤s2中疑似目标的提取。

-1，-2，-3，-2，-1

-2，3，4，3，-2

-3，4，4，4，-3

-2，3，4，3，-2

-1，-2，-3，-2，-1

s2、提取疑似目标：对滤波后的图像数据设定合理的灰度阈值、边缘追踪阈值、尺寸阈值，采用边缘追踪法提取图像中符合灰度、尺寸阈值要求的疑似目标。边缘追踪算法流程，如图2所示。

s3、剔除背景干扰：由于真实目标处于较均匀的天空背景，滤波后其邻域(如图3所示)亮像素(灰度值大于一定阈值的像素点记为亮像素)数较少，而地物、云背景滤波后的邻域亮像素数较多，利用这一差异对空中目标与地物背景干扰进行区分，分别统计步骤s2中疑似目标的邻域亮像素数，将亮像素数超出阈值范围的疑似目标判定为地物或云背景干扰予以剔除，剩余目标则为天空中的疑似小目标。

s4、时域信息相关建立目标航迹：经过步骤s3后，疑似小目标中仍有飞鸟、点状碎云、个别地面景物等干扰，利用无人机横向运动速度比飞鸟慢、点状碎云及个别地面景物相对静止等特征，通过判断疑似小目标运动轨迹进一步确认无人机目标，即在前一帧图像某疑似目标一定大小的邻域内寻找后一帧图像中与其灰度最接近的疑似目标，若存在则认为是同一目标，根据前后两帧图像的目标位置计算目标的运动位移和方向。由于无人机在短时间内(相邻3帧)基本呈直线运动状态，其位移方向保持一致，因此若某疑似目标连续两帧运动方向一致且位移在一定范围内则判定其为无人机目标。

以下通过具体实施例进行说明

利用某周视红外搜索系统采集14位低空无人机红外图像，图像分辨率为640×512，无人机为大疆300mm轴距四旋翼无人机，飞行高度为50～120m，水平距离0.1～1.2km。

实施例1

图4a为700m远80m高无人机红外图像，图中有树冠、建筑物顶等地物背景。利用模板对图像滤波，结果如图4b所示。采用图2边缘追踪算法，设置检测阈值th1＝300～500、th2＝200～300得到疑似目标提取结果如图4c所示。设定目标邻域尺寸为8～15像素，亮像素灰度判定阈值为120～140，地物、云背景亮像素数判断阈值为12～18，对提取的疑似目标进行去地物处理，得到目标检测结果如图5d所示，在原始图像上叠加检测结果矩形窗结果如图4e所示。

实施例2

图5a为1.2km远70m高无人机红外图像，图中有电线杆、树冠和建筑物顶等地物背景。图5b为目标所在区域图像增强结果。利用模板对图像滤波，结果如图5c所示。采用图2边缘追踪算法，设置检测阈值th1＝300～400、th2＝150～300、目标邻域尺寸为8～15像素，亮像素灰度判定阈值为120～140，地物、云背景亮像素数判断阈值为12～18，对图像进行疑似目标提取、去地物处理，得到目标检测结果如图5d所示，在图5b上叠加检测结果矩形窗结果如图5e所示。

实施例3

图6a为400m远80m高无人机红外图像，天空中有较多的云背景。利用模板对图像滤波，结果如图6b所示。采用图2边缘追踪算法，设置检测阈值th1＝300～500、th2＝200～300得到疑似目标提取结果如图6c所示。设定目标邻域尺寸为8～15像素，亮像素灰度判定阈值为120～140，地物、云背景亮像素数判断阈值为12～18，对提取的疑似目标进行去地物处理，得到目标检测结果如图6d所示，在原始图像上叠加检测结果矩形窗结果如图6e所示。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。