[发明专利]一种基于无人机航拍视频的运动车辆检测方法

说明书

本发明公开了一种基于无人机航拍视频的运动车辆检测方法，首先采用SURF算法对图像进行特征点匹配及异常点剔除，利用联合全局和局部单应性矩阵的无人机图像配准算法以获取转换矩阵，补偿机载相机运动产生的不利影响，随后，采用2帧差法减小待检测区域，再根据超像素的中心遍历待检测区域，进一步提高运动车辆检测的效率，然后，利用多通道HOG特征算法提取车辆的低阶特征，引入车辆的上下文信息获取车辆的高阶特征，并融合这两种特征以得到目标车辆的多阶特征，最后，结合多阶特征和字典学习算法，实现运动车辆检测。本方法能够抑制无人机机载相机运动带来的影响，处理图像中车辆形变和背景干扰，可提高运动车辆检测的鲁棒性和实时性。

技术领域

本发明涉及运动车辆的检测方法，特别是一种基于无人机航拍视频的运动车辆检测方法。

背景技术

无人机航拍作为一种新型的遥感数据获取手段，具有部署方式灵活、监测范围大、信息采集粒度细、不受地面交通干扰等独特优势。无人机飞行速度与高度可调、视角灵活，获取地面交通图像信息的效率高、成本低、风险低，可以实现从局部到广域的大范围交通监测。随着无人机航拍技术、图像处理技术的进一步发展与融合，合理利用与分析无人机图像，在交通规划、设计、管理领域均有广阔的应用前景。

常用的运动车辆检测方法有背景提取法、光流法等。其中，背景提取法对光照和背景变化极其敏感，而光流法计算代价太大。为了提高运动车辆检测的鲁棒性，有的学者建立动态贝叶斯网络，并采用滑窗法来检测车辆，虽然取得了一定的效果，但是滑窗法计算量仍然太大，同样会导致应用受限。

由此可见，尽管目前有许多运动车辆检测算法并且都具备一定的检测效果。但基于无人机航拍视频的运动车辆检测方法的稳定性、鲁棒性和实时性仍有待提高。

发明内容

本发明的目的在于提供一种基于无人机航拍视频的运动车辆检测方法，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于无人机航拍视频的运动车辆检测方法，包括以下步骤：

步骤1)、获取运动车辆的航拍视频，提取其连续图像序列，然后提取参考图像和待配准图像的SURF特征点，然后进行特征点匹配，采用随机抽样一致性算法对匹配后的特征点进行异常点剔除；

步骤2)、针对经过异常点剔除后的特征点，通过无人机图像配准算法获取图像的转换矩阵；

步骤3)、针对步骤2)处理后的图像，采用2帧差法确定运动车辆的待检测区域，对图像进行超像素分割，根据超像素的中心确定扫描框，以遍历待检测区域；

步骤4)、利用步骤3)处理后的图像，提取由车辆纹理和颜色，构成车辆的低阶特征；并引入车辆的上下文信息，提取车辆的高阶特征；在获取了目标车辆的低阶特征和高阶特征后，融合低阶特征和高阶特征，得到目标车辆的多阶特征；

步骤5)、对获取的车辆多阶特征，利用字典学习算法训练字典，并利用训练后的字典完成运动车辆的检测。

进一步的，对参考图像和待配准图像采用Harr特征以及积分图像概念进行SURF特征点提取。

进一步的，对参考图像中的任意一个SURF特征点，计算其与待配准图像中特征点的欧氏距离；欧氏距离越小，则相似度越高，当欧式距离小于设定阈值时，判定为匹配成功；若待配准图像中的某一个SURF特征点与参考图像中的多个特征点匹配，则均视为匹配不成功。

进一步的，在完成异常点剔除后，引入图像金字塔，采用自上而下的方式，根据特征点配对结果确定全局单应性矩阵和局部单应性矩阵：首先，建立参考图像和待配准图像的L+1级金字塔，在确定全局单应性矩阵时，可以从第L级的全局单应性矩阵开始，然后逐级增加分辨率直至第0级，进而获得第0级对应的全局单应性矩阵。