基于视觉的四旋翼无人机人脸识别系统的制作方法

本发明涉及人脸识别技术领域，具体涉及基于视觉的四旋翼无人机人脸识别系统。

背景技术：

四旋翼无人机相关技术与应用发展迅猛，无人机使用范围在迅速扩大，相关产业也得到了蓬勃发展。其中，多旋翼无人机凭借着其结构简单，易于维护，机动灵活的特点，在航拍，农业植保，电力巡线，军事侦察等多个领域得到了广泛的应用。

现阶段市场上已经有的基于无人机的人脸识别系统仍然只是处于概念性的功能阶段，仍然不能达到静态摄像头使用人脸识别技术进行身份识别的程度。因为人脸识别的先决条件是要拍到足够清晰地人脸图片，而无人机盘旋于上空，要想拍到清晰地人脸图片极其不容易。首先，无人机离人脸的水平距离以及垂直高度的不同对人脸识别的准确度影响很大。另外，外部环境的干扰，如曝光，暗光，风引起的抖动等都会影响采集到的人脸图片质量，可能引起图片失真，进而不能准确地进行人脸识别。所以为使无人机平台下的人脸识别能够更加准确，进一步深入地研究基于无人机的人脸识别极为重要。

技术实现要素：

本发明的目的在于提供了一种基于视觉的四旋翼无人机人脸识别系统，能够对目标人脸检测并进行识别，最终将目标人物的人脸图像传回到pc端的地面站上，本发明的系统框图请参阅图1。

为实现上述目的，本发明采用的技术方案为：

根据本发明提出的一种基于计算机视觉的四旋翼无人机目标识别系统，主要包括飞行控制系统、人脸识别模块、无线图传模块、地面站信息显示模块。

所述飞行控制系统包括飞行控制器(以下简称：飞控)、电机、电调、机翼、电池、遥控器、接收机、机架；飞控为四旋翼飞行器的核心部件，其主要组成为微处理器、陀螺仪、加速度传感器、地磁传感器、气压计、空速计、gps、无线接收模块。

所述人脸识别模块包括嵌入式开发板、摄像头、和云台模块。

所述无线图传模块包括图传发送器和图传接收器。

所述地面站信息显示模块对接收无线图传发送过来的人脸图像进行信息库检索，并将目标人物的信息显示在地面站端的上位机上。

所述电机连接电调，电调连接飞控，飞控连接接收机，电池连接飞控和电调。

所述摄像头通过csi接口与嵌入式开发板进行连接，云台与接收机连接，嵌入式开发板通过uart串口与飞控进行连接。

所述图传发送器通过usb与嵌入式开发板进行连接，图传接收器通过easycapusb图像采集卡与电脑连接，并完成对视频信号的解析，将目标人脸显示在地面站上。

具体实施中，四旋翼飞行器搭载云台、无线图传模块和嵌入式开发板，搭载在云台上的摄像头采集到视频图像以后，通过csi接口将视频图像传送给嵌入式开发板进行图像处理，图像因为外部环境的干扰会导致图片产生噪声，比如因为光照条件的变化而产生的曝光过度或曝光不足，因为风力的影响而产生图像抖动，所以首先对图像进行预处理，使得处理后的图像噪声变少或消失；图像预处理后，进行目标图像的人脸检测，检测出图像中的人脸并将人脸图像从整张图像中分割出来；进而对检测到的人脸进行人脸识别，提取人脸图像中能够反映目标本质的特征，然后通过所设计的分类器来判断此人是否为目标人脸，若是目标图像，则将图像通过无线图传发送到电脑端的地面站显示界面上。

与现有技术相比，本发明的有益效果是：基于视觉的四旋翼无人机人脸识别系统，具有操作隐蔽性强、非接触式采集和多场景切换等特点。无人机搭载嵌入式开发板对采集到的目标图像进行实时识别，具有很大的实时性。同时，本发明在算法上进行进一步优化，使得嵌入式开发板图像处理速度进行加速，使得基于视觉的四旋翼无人机人脸识别系统的实时性能和速度性能均衡提升。

附图说明

图1是本发明的系统框图。

图2是本发明人脸识别模块的工作流程图。

具体实施方式

下面结合具体实施方式对本发明做进一步详细地说明。

请参阅图2，为本发明一种基于视觉的四旋翼无人机人脸识别系统中，人脸识别模块的工作流程图，该方法包括以下步骤：

步骤1、采集摄像头拍摄到的视频流中的数据；

步骤2、对采集到的数据图像进行预处理；

步骤3、对预处理后的图像进行人脸检测以定位人脸特征所在的图像区域，并将人脸图像区域从整张图像中分割出来；

步骤4、在无人机在线飞行拍摄景物图像时，对人脸检测模块检测出的人脸图进行在线的人脸识别；

步骤5、对识别得到的目标人脸判断其是否为目标人物。若是目标人物通过无线图传模块将识别的人脸结果发送给地面控制站。若不是，则重新采集其他图像进行检测。

进一步的，所述步骤1具体包括：采用云台搭载摄像头、对四旋翼无人机进行pid调参、为机架配备减震垫圈等，来减少机架的机械振动对摄像头所采集到图像所造成的物理影响。

进一步的，所述步骤2具体包括：对判断曝光过度和曝光不足的图像进行线性对比度展宽法使得对应图像的对比度更均衡，从而改善图像的质量；对抖动模糊的图像先采用拉普拉斯方差算法来判断图像的模糊程度。即用图像的灰度值与拉普拉斯算子做卷积运算，然后计算出方差，如果计算得到的方差低于设定的阈值，则认为该图像是模糊的。再对抖动模糊的图像维纳滤波方法进行特征恢复，从而复原出原始清晰的图像。

进一步的，所述步骤3具体包括：

步骤31、使用haar-like小波特征做检测；

步骤32、使用积分图方法对haar-like小波特征值进行加速；

步骤33、使用adaboost算法创建并训练若干个人脸与非人脸的两类分类问题的弱分类器；

步骤34、将这若干个弱分类器级联起来得到一个强分类器。

进一步的，所述步骤4具体包括：

步骤41、在人脸检测获取特征之后，将检测到的人脸特征送至人脸识别的训练模型中进行训练，得到训练模型，用于最后的人脸分类预测。为适应中小型人脸数据库的研究，在本发明重点介绍了基于多分类逻辑回归思想。

步骤42、逻辑回归的本质其实就是求拟合参数，而求拟合参数最核心的部分就是求损失函数的最小值。

进一步的，所述步骤42具体包括：

步骤421、假设逻辑回归的模型为：

步骤422、在假设的模型之上，所建立的代建函数为：

步骤423、最终目的就是最小化损失函数的值。为了防止过拟合现象的发生，我们在损失函数中加入了正则化项，正则项后的损失函数为：

步骤424、对j(θ)求偏导数得：

步骤425、利用梯度下降算法进行参数优化，即：

步骤43、通过步骤42所述的公式，本发明将原来只能用于二分类的逻辑回归算法变成可以用于多分类的人脸识别中，从而实现基于多分类逻辑回归人脸识别分类器：

进一步的，所述步骤43具体包括：

步骤431、输入：训练集train(m*n)：m代表训练样本中参与训练的人脸图片的总张数，n代表每张人脸的总像素点个数；标签集y(m)：为实现监督学习对每个人脸图片样本进行标记；测试样本集test(a*n)：a代表测试样本中参与测试的人脸图片的总张数，n代表每张待测人脸图片的总像素点个数。

步骤432、对训练集与测试集进行灰度化处理。

步骤433、对训练集与测试集进行归一化处理，将每张照片的的每个像素点归一化到0-1之间。

步骤434、设定学习速率α＝0.003，λ＝1。

步骤435、设定本次人脸训练库中的标签类别数num_labels，即参与模型训练的人数。

步骤436、基于多分类逻辑回归人脸识别算法实现将二分类问题转化为多分类的问题。

步骤437、利用求得的模型参数θ进行人脸图片预测，并返回预测人脸图片的类别标签。

进一步的，所述步骤5具体包括：在嵌入式开发板上对摄像头采集到的图像进行一系列处理检测和人脸识别以后，通过与嵌入式开发板连接的无线图传发送器发送给电脑端的无线图传接收器，并通过easycapusb图像采集卡与电脑相连，并完成对视频信号的解析，将目标人脸显示在地面站显示界面上。

上面对本发明的较佳实施方式作了详细说明，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，在本领域的普通技术人员所具备的知识范围内，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例。