趙飛, 婁文忠, 馮恒振, 蘇子龍, 汪金奎, 宣煒琨

(1.北京理工大學(xué) 機(jī)電學(xué)院, 北京 100081; 2.北京理工大學(xué) 重慶創(chuàng)新中心, 重慶 400000)

0 引言

近年來,隨著無人機(jī)技術(shù)的快速發(fā)展和大量應(yīng)用,由此催生了反無人機(jī)系統(tǒng)的廣泛研究[1]。特別是在一些軍事敏感地區(qū),如邊境管控地帶,無人機(jī)被非法使用,甚至成為敵對工具,危害邊境設(shè)施以及人員安全,對此以某低成本反無人機(jī)制導(dǎo)彈預(yù)研項(xiàng)目為背景,開展反無人機(jī)導(dǎo)引頭遠(yuǎn)距空中無人機(jī)目標(biāo)探測技術(shù)研究。

無人機(jī)作為一種新型空中運(yùn)動(dòng)目標(biāo),特別是那些小型低空低速飛行的消費(fèi)級無人機(jī),對其進(jìn)行探測仍存在不少難點(diǎn)與挑戰(zhàn)。雷達(dá)探測是空中目標(biāo)探測的主要方式,但此類無人機(jī)因其材料透波特性以及小尺寸特點(diǎn),都將會大大降低雷達(dá)散射面積,降低被雷達(dá)探測的距離和被發(fā)現(xiàn)的概率;聲學(xué)探測方面,由于此類無人機(jī)電機(jī)式驅(qū)動(dòng)方式擾動(dòng)小、噪聲低、速度慢,導(dǎo)致很難被探測;紅外與激光制導(dǎo)技術(shù)已廣泛應(yīng)用于導(dǎo)彈制導(dǎo),但無人機(jī)低熱,紅外輻射特征低,同時(shí)吸波材料的使用,激光反射率低,加大了探測難度[2]。當(dāng)前可見光圖像傳感器技術(shù)逐漸成熟,具有低成本、高集成以及易便攜等優(yōu)點(diǎn),并且此類消費(fèi)級無人機(jī)目標(biāo)屬于低價(jià)值目標(biāo),由此基于低成本可見光圖像傳感器進(jìn)行反無人機(jī)導(dǎo)引頭開發(fā)將具有極大的工程意義與軍事價(jià)值。

本反無人機(jī)制導(dǎo)彈在飛行前段使用地面大功率雷達(dá)進(jìn)行跟蹤與導(dǎo)航,飛行中段使用慣性導(dǎo)航,飛行至距離目標(biāo)500～1 000 m的末端位置,采用圖像導(dǎo)引頭進(jìn)行尋的制導(dǎo),通過近炸引信引爆戰(zhàn)斗部進(jìn)而摧毀目標(biāo),如圖1所示。然而無人機(jī)目標(biāo)距離圖像傳感器(搭載于彈藥)如此遠(yuǎn)時(shí),目標(biāo)僅僅占據(jù)圖像少量像素,且?guī)缀鯚o任何紋理特征[3],導(dǎo)致基于形狀、紋理等傳統(tǒng)檢測算法,以及目前基于深度模型的檢測算法[4-7]無法發(fā)揮有效作用。本文在上述空間約束條件下,基于無人機(jī)遠(yuǎn)距離成像特征,即局部光譜差異性和成像域像素聚類性,通過融合顯著性檢測[8]與局部對比測量方法[9]思想,提出一種新的檢測算法,可用于可見光圖像空中小目標(biāo)檢測。該算法首先對原始圖像進(jìn)行分頻中值濾波,降低圖像噪聲;然后對濾波圖像進(jìn)行局部視覺顯著聚類測量,得到顯著測量圖;最后對顯著測量圖進(jìn)行二值化閾值處理,實(shí)現(xiàn)目標(biāo)像素與背景像素分離,實(shí)現(xiàn)彈載噪聲干擾下,遠(yuǎn)距空中無人機(jī)的有效探測。

圖1 反無人機(jī)制導(dǎo)彈藥彈道飛行示意圖Fig.1 Schematic diagram of ballistic flight of counter-UAV guided munitions

1 局部視覺顯著聚類測量算法

本文提出的可見光圖像空中小目標(biāo)檢測算法主要由3個(gè)部分組成:圖像預(yù)處理、局部視覺顯著聚類測量、閾值化處理,如圖2所示。首先對傳感器輸出的初始RGB圖像幀進(jìn)行分頻中值濾波,濾除大量彈載器件帶來的圖像噪聲;然后利用本文所設(shè)計(jì)局部視覺顯著聚類測量方法對濾波圖像進(jìn)行處理計(jì)算,得到顯著測量圖;最后根據(jù)顯著測量計(jì)算分割閾值,利用分割閾值對顯著測量圖進(jìn)行二值化處理,使目標(biāo)像素點(diǎn)與背景像素分離。需要指出本文不對彈藥機(jī)動(dòng)能力約束問題進(jìn)行考慮,故最終將顯著測量圖中最大顯著像素域作為制導(dǎo)目標(biāo)的成像位置,用于計(jì)算對應(yīng)的彈目視線角信息。

圖2 無人機(jī)目標(biāo)探測算法框圖Fig.2 Block diagram of UAV target detection algorithm

1.1 圖像預(yù)處理

圖像預(yù)處理的目的是為了減少彈載環(huán)境下器件擾動(dòng)所帶來的圖像噪聲和雜波,降低圖像噪聲對目標(biāo)檢測的干擾,增大信噪比。

目前圖像預(yù)處理算法非常豐富、技術(shù)成熟度高,但需要根據(jù)不同應(yīng)用場景與處理要求進(jìn)行靈活選擇[10]。常用預(yù)處理算法有高斯高/低通濾波、領(lǐng)域平均法、中值濾波等。其中高斯高通濾波會導(dǎo)致目標(biāo)邊緣銳化,作用于RGB三通道圖像時(shí),易造成圖像色彩失真,影響本文后續(xù)視覺差異測量;高斯低通濾波易使目標(biāo)邊緣模糊,破壞小目標(biāo)的像素聚類效應(yīng);領(lǐng)域平均法也屬于低通濾波處理方法,但在抑制噪聲的同時(shí)使圖像變模糊,降低小目標(biāo)像素顯著度,不利于本文后續(xù)檢測;而中值濾波屬于非線性濾波方法,不僅可以抑制干擾脈沖和點(diǎn)噪聲,而且可以克服圖像模糊問題且可保持目標(biāo)邊緣,從而對小目標(biāo)所占像素域起到保護(hù)作用,有利于后續(xù)對目標(biāo)的局部視覺顯著聚類效應(yīng)進(jìn)行檢測。通過對比上述4種常用圖像預(yù)處理算法的原理與特點(diǎn),結(jié)合本文后續(xù)方法對目標(biāo)像素要求,選擇易于彈上實(shí)現(xiàn)且濾波效果良好的中值濾波方法對初始RGB圖像進(jìn)行分頻(三通道獨(dú)立)濾波處理。

遠(yuǎn)距離目標(biāo)成像具有彌散效應(yīng),即成像所占像素域基本是一個(gè)圓形域,而方形濾波窗口適應(yīng)于緩變輪廓線物體,圖3為典型中值濾波窗口?？紤]到彈載計(jì)算資源與目標(biāo)成像特點(diǎn),本文最終選擇圖3(b)樣式的菱形中值濾波窗口。

圖3 典型中值濾波窗口Fig.3 Typical median filter windows

為證明濾波效果,選取一張帶有噪聲的圖像進(jìn)行測試,測試結(jié)果如圖4所示。

圖4 中值濾波處理效果Fig.4 Median filter processing effects

圖4(a)為一幀具有脈沖點(diǎn)噪聲和高頻雜波噪聲干擾的RGB圖像,圖4(b)為采用上述菱形中值濾波的處理結(jié)果,圖4(c)為采用領(lǐng)域平均濾波方法的處理結(jié)果。從圖4(b)和圖4(c)處理結(jié)果可以看出,兩種濾波方法均可以很好消除高頻雜波噪聲。但對于脈沖點(diǎn)噪聲,圖4(c)方法僅將噪點(diǎn)強(qiáng)度進(jìn)行了局部衰減處理而留有噪點(diǎn)斑塊殘留(見紅框標(biāo)注)。圖4(b)方法則完全消除了脈沖干擾,無斑塊殘留,對應(yīng)處理表示如下:

If=Fmed(Iraw)

(1)

式中:If為預(yù)處理濾波結(jié)果圖像;Fmed(·)為菱形中值濾波函數(shù);Iraw為傳感器輸出RGB原始圖像。

1.2 局部視覺顯著聚類測量

在對可見光圖像分頻中值濾波后,采用本文所設(shè)計(jì)局部視覺顯著聚類測量方法,尋找圖像中潛在無人機(jī)目標(biāo)的像素位置。目前關(guān)于紅外圖像小目標(biāo)檢測技術(shù)已經(jīng)十分成熟,相關(guān)研究也比較多[9,11-14],但是基于可見光圖像進(jìn)行空中小目標(biāo)檢測的研究卻少之又少。目前基于可見光圖像進(jìn)行小目標(biāo)檢測相關(guān)研究絕大多數(shù)是針對地面環(huán)境下快速移動(dòng)對象,通過利用幀間像素變化對移動(dòng)目標(biāo)位置進(jìn)行檢測[15-19]。但面向空中無人機(jī)低慢小特征,此類檢測方法并不適用。

本文根據(jù)可見光圖像光譜信息豐富,并且目標(biāo)遠(yuǎn)距離成像時(shí)其成像像素將具有聚類特征,即目標(biāo)成像像素會占據(jù)一個(gè)同質(zhì)致密像素域且與領(lǐng)域像素存在光譜差異而不連通,采用滑窗模型搜索聚類像域,視覺顯著測量對搜索像域的光譜差異性進(jìn)行度量,最終設(shè)計(jì)了局部視覺顯著聚類測量算法。

1.2.1 顏色空間變換

可見光圖像和紅外圖像不同之處在于它們的傳感器響應(yīng)不同頻段的光波信號,其中可見光圖像傳感器對彩色光波敏感,故從色域角度探索檢測方法。相比于RGB顏色空間,Lab顏色空間比顯示器、打印機(jī)甚至人類視覺的色域都要大,例如適合RGB通道摳的圖大部分Lab也能做到,反之則不再成立,而且在計(jì)算機(jī)視覺中,特別是顏色類識別算法設(shè)計(jì)中,Lab顏色空間更是常用方法[8]。因此,為充分利用光譜信息,本文選擇在Lab顏色空間進(jìn)行色彩的色度測量。

但RGB和Lab之間沒有直接的轉(zhuǎn)換公式,須用XYZ顏色空間作為中間層進(jìn)行計(jì)算,即RGB→XYZ→Lab,其中RGB和XYZ顏色空間轉(zhuǎn)換如下:

(2)

式中:轉(zhuǎn)換系數(shù)滿足XYZ與RGB同范圍(0～1)映射;X、Y、Z分別為XYZ顏色空間三通道值;R、G、B分別為RGB圖像三通道值r、g、b經(jīng)過Gamma校正后的色彩分量,校正公式為

(3)

g(x)為Gamma校正函數(shù),

(4)

XYZ和Lab顏色空間轉(zhuǎn)換如式(5)所示:

(5)

(6)

式中:L、a、b分別為RGB圖像變換至Lab顏色空間后的三通道值;f(x)為顏色空間映射函數(shù)。

通過對整個(gè)RGB分頻中值濾波圖像If進(jìn)行逐像素顏色空間轉(zhuǎn)換得到Lab空間3通道圖像,在此將其表示為ILab。

1.2.2 聚類像素域搜索

如前所述,目標(biāo)所占致密像素域與其領(lǐng)域存在光譜差異,這意味著目標(biāo)是局部顯著的。考慮到這一事實(shí),本文設(shè)計(jì)了類似LCM[9]的窗口模型來測量這種局部顯著度,如圖5所示,顯著度量采用Lab顏色域視覺顯著測量方法[8]。

圖5 滑窗模型Fig.5 Sliding window model

如圖5所示,大小為m×n×3,v代表圖像中的一個(gè)方形滑動(dòng)窗口,含中心像素,w屬于v的中心區(qū)域,為方形窗口,含中心像素,且其中心像素與v的中心像素重合。隨著v在整個(gè)圖像中滑動(dòng),不同的圖像塊vi將出現(xiàn)在圖中不同的位置,同時(shí)也會有一個(gè)圖像塊wi與之對應(yīng),具體如圖6所示。

圖6 圖像塊vi與wiFig.6 Image patches vi and wi

由圖6可以看出,圖像塊vi被分割成了許多子像素域,其邊緣像素帶寬為1個(gè)像素大小,即圖塊1～圖塊8都僅是一個(gè)像素,中心像素域是wi。在此需要指出的是中心像素域wi用于檢測此處是否出現(xiàn)了無人機(jī)目標(biāo),而存在與否,本文將通過對比此區(qū)域與領(lǐng)域間的光譜差異程度進(jìn)行判斷。

1.2.3 光譜差異度計(jì)算

如圖6所示,為方便對光譜差異度計(jì)算作進(jìn)一步描述,其中,將中心像素域wi的L通道均值表示為Lwi,a通道均值表示為awi,b通道均值表示為bwi,如式(7)所示:

(7)

(8)

如前所述,遠(yuǎn)距離目標(biāo)成像時(shí)其成像像素將聚集在一個(gè)同質(zhì)致密類圓域內(nèi)且與領(lǐng)域光譜不連通?？紤]到這一事實(shí),如果中心域wi恰好完全包含目標(biāo)像素,則其與鄰域的所有像素都將存在光譜差。為凸現(xiàn)這一特征,在此將中心像域wi與領(lǐng)域之間的光譜差定義為

(9)

式中:Di表示中心像域wi與領(lǐng)域之間的光譜差,即中心像域的局部視覺顯著度。

在此需要指出的是,如果中心像域wi內(nèi)不含目標(biāo)或者包含的不是一個(gè)同質(zhì)致密類圓域,則其Di基本等于零或很小,式(9)中的Di越大,表明wi中出現(xiàn)目標(biāo)的可能性越大。

對于任意給定的ILab,隨著窗口v的滑動(dòng),得到屬于不同位置的圖塊,即vi,通過圖7所示局部視覺顯著度測量算法,便可求得不同位置中心像素點(diǎn)的顯著度度量值,最終獲得對應(yīng)于ILab的顯著測量圖,在此記為S。

圖7 局部視覺顯著度測量算法

1.2.4 多尺度像素域測量

從1.2.2節(jié)、1.2.3節(jié)可以看出,如果中心像域w的窗口大小等于目標(biāo)成像域大小,則目標(biāo)出現(xiàn)在wi中時(shí),光譜差異將會充分顯現(xiàn),因此w像素尺寸的設(shè)置即v窗口大小的設(shè)置,對整個(gè)測量將起到非常重要的作用。然而目標(biāo)的成像域大小是會變化的,為解決這個(gè)問題,本文受文獻(xiàn)[9]最大池化操作啟發(fā)設(shè)計(jì)了相應(yīng)的多尺度像素域測量算法,如圖8所示。

圖8 多尺度像素域測量算法

由圖8可以看出,通過設(shè)置一系列尺寸大小的窗口v,只要某一尺寸的v所對應(yīng)的w恰好等于目標(biāo)成像域大小,則目標(biāo)成像位置所對應(yīng)中心點(diǎn)像素的顯著度量值將被記錄到其Sl中,并最終通過最大池化操作保存在中。因此v窗口大小系列的選擇就顯得尤為重要。然而如果v選擇太小或者太大,目標(biāo)顯著度將無法被測量到。而窗口系列設(shè)置太多,將會產(chǎn)生大量的中間顯著測量圖Sl,影響計(jì)算效率。

如前所述,空中無人機(jī)目標(biāo)遠(yuǎn)距離成像時(shí),僅占據(jù)很小的像素域。其中光學(xué)儀器工程師協(xié)會對小目標(biāo)作出了明確的定義,將像素空間范圍小于80定義為小目標(biāo)[19],因此本文將w窗口的最大尺寸設(shè)置為9×9,即v窗口的尺寸為11×11;同時(shí)為避免單個(gè)離群像素點(diǎn)干擾,將w窗口的最小尺寸設(shè)置為3×3,即v窗口的尺寸為5×5。

為驗(yàn)證所提多尺度像素域測量算法的檢測能力,在此選擇一幅典型空中小目標(biāo)可見光圖像進(jìn)行測試,目標(biāo)大小為3×3(紅色標(biāo)記處),如圖9所示。

圖9 待檢測RGB圖像Fig.9 RGB image to be detected

選擇w窗口系列大小分別為3×3、5×5、7×7、9×9,在不同大小窗口設(shè)置下的顯著度測量圖如圖10所示。

圖10 多尺度顯著測量圖Fig.10 Multi-scale saliency measurement maps

由圖10可以看出:當(dāng)w窗口的大小等于目標(biāo)成像域大小時(shí),顯著測量圖在目標(biāo)成像處達(dá)到最大峰值,如圖10(a)所示;當(dāng)w窗口的大小大于目標(biāo)成像域大小時(shí),顯著測量圖在目標(biāo)成像處的值很小。由此驗(yàn)證了本算法設(shè)計(jì)預(yù)期。最終多尺度顯著測量圖的池化結(jié)果如圖11所示。由圖11可見,w窗口尺寸為3×3的測量結(jié)果最終被成功保留,進(jìn)一步驗(yàn)證了算法的預(yù)期設(shè)計(jì)效果。

圖11 多尺度測量圖池化結(jié)果Fig.11 Multi-scale measurement graph pooling results

1.3 閾值化搜索

圖12 閾值化搜索算法

為驗(yàn)證閾值化搜索算法對多目標(biāo)檢測的有效性,在此選擇一幅雙目標(biāo)可見光圖像進(jìn)行測試,如圖13所示,目標(biāo)1對應(yīng)像素大小為5×5,目標(biāo)2對應(yīng)像素大小為 3×3。

圖14為雙目標(biāo)顯著測量圖。由圖14可以看出:w窗口大小為5×5時(shí),目標(biāo)1被成功檢測到,如圖14(b)所示;w窗口大小為3×3時(shí),目標(biāo)2被成功檢測到,如圖14(a)所示;最終通過池化將兩個(gè)位置的顯著值成功保留,如圖14(c)所示。

圖13 雙目標(biāo)圖像Fig.13 Dual-target image

圖14 雙目標(biāo)顯著測量圖Fig.14 Saliency measurement maps of two targets

圖15 閾值化二值圖像Fig.15 Thresholding binary image

1.4 彈目視線角解算

本文圖像導(dǎo)引頭考慮到反無人機(jī)低成本問題,故采用捷聯(lián)式結(jié)構(gòu),由此涉及到制導(dǎo)信息解耦問題。如圖16所示,彈藥末端制導(dǎo)控制所需信息為慣性系下彈目視線高低角和方位角,而導(dǎo)引頭可測量的彈目信息為體視線高低角和方位角,故涉及到彈目視線角的信息解耦問題,下文將針對彈目體視線角和彈目視線角分別進(jìn)行說明。

圖16 制導(dǎo)信息關(guān)系圖Fig.16 Guidance information diagram

前文已證明,本文局部視覺顯著聚類測量算法對于多目標(biāo)檢測也可以進(jìn)行有效檢測,在不考慮彈藥機(jī)動(dòng)能力的前提下,本文將最大顯著像域作為無人機(jī)目標(biāo)成像位置。在導(dǎo)引頭的圖像傳感器成像中,目標(biāo)像素位置和彈目體視線角的幾何關(guān)系模型如圖17所示。圖17中,f表示圖像傳感器焦距長度(mm),W和H分別表示圖像像素寬度和高度,(xc,yc)表示目標(biāo)像素坐標(biāo)。

圖17 目標(biāo)成像幾何模型Fig.17 Target imaging geometric model

由圖17成像幾何模型可得

(10)

式中:uw和uh分別表示圖像傳感器像元的橫向和縱向物理尺寸(mm)。

由圖16可知,如果已知導(dǎo)引頭姿態(tài)角,即彈藥姿態(tài)角γ、ψ、?,便可求得慣性系下的彈目視線角,需要指出的是本反無人機(jī)彈藥姿態(tài)角由彈上計(jì)算機(jī)解算提供。關(guān)于慣性系下彈目視線角解算推導(dǎo),本文將不作詳細(xì)推導(dǎo),僅給出如式(11)推導(dǎo)結(jié)果,詳細(xì)推導(dǎo)過程可參考文獻(xiàn)[20]。

(11)

(12)

2 測試數(shù)據(jù)集

算法測試需要空中遠(yuǎn)距無人機(jī)目標(biāo)數(shù)據(jù),而目前關(guān)于空中小目標(biāo)的數(shù)據(jù)非常少,或者目標(biāo)成像太大,不滿足本應(yīng)用條件。針對此問題,本文從外場拍攝和人工合成圖像兩方面進(jìn)行了數(shù)據(jù)集的準(zhǔn)備工作。

2.1 外場采集數(shù)據(jù)

圖18為外場拍攝無人機(jī)視頻中的一幀RGB圖像,視頻中包含了一臺小型移動(dòng)無人機(jī),該無人機(jī)型號是CW-10固定翼無人機(jī),翼展2.6 m,機(jī)身長度1.6 m,相機(jī)視場角為60°×45°。拍攝時(shí),可見光譜相機(jī)固定在地面上,無人機(jī)在距離相機(jī)500～1 500 m相機(jī)視場中飛行。在如此遠(yuǎn)的拍攝距離下,目標(biāo)僅占據(jù)圖像極少像素點(diǎn)且無任何可識別紋理特征,如圖18(b)并且遠(yuǎn)距離情況下,目標(biāo)像素位置變化緩慢。

圖18 無人機(jī)遠(yuǎn)距成像幀F(xiàn)ig.18 Long-distance UAV imaging frame

2.2 人工合成數(shù)據(jù)集

由于無人機(jī)外場飛行限制因素太多,導(dǎo)致無法獲得足夠氣象狀況下的數(shù)據(jù)集,但從2.1節(jié)無人機(jī)拍攝數(shù)據(jù)集可以看出,無人機(jī)目標(biāo)遠(yuǎn)距離成像時(shí),像素較少,且是一個(gè)彌散的同質(zhì)致密像素域。根據(jù)此成像特征,本文決定采用人工合成圖像的方式,制作無人機(jī)遠(yuǎn)距離成像圖像數(shù)據(jù)集,如圖19所示。

圖19 人工合成圖像Fig.19 Synthetic image

圖19中,原圖像是采用攝像機(jī)在典型不同氣象情況下采集的真實(shí)外景照片,然后通過Photoshop圖像處理軟件進(jìn)行了局部像素修改以模擬遠(yuǎn)距離無人機(jī)目標(biāo)成像,與圖18進(jìn)行比較,可以看出人工合成數(shù)據(jù)集有很好的模擬效果。

3 實(shí)驗(yàn)測試與結(jié)果分析

3.1 實(shí)驗(yàn)測試平臺

圖20所示為自主研制的可見光捷聯(lián)式導(dǎo)引頭樣機(jī),其核心處理芯片是XX公司的A311D芯片。

圖20 測試樣機(jī)Fig.20 Test prototype

A311D是一種復(fù)合型SOC,其CPU為四核ARM Cortex-A73 2.0 GHz與雙核 ARM Cortex-A53 1.5 GHz構(gòu)成,其中GPU為ARM Mali-G52 MP4。在硬件工程性能方面,硬件平均功耗為5 W左右,核心電路面積小于20 cm2,具有50億次/s的浮點(diǎn)運(yùn)算能力,因此是具備較高計(jì)算能力的芯片。

3.2 實(shí)驗(yàn)定性分析

分別使用實(shí)拍無人機(jī)數(shù)據(jù)與人工合成數(shù)據(jù)對所設(shè)計(jì)算法進(jìn)行定性測試分析。

3.2.1 實(shí)拍數(shù)據(jù)測試

為測試本文局部視覺顯著聚類測量算法在真實(shí)場景下的檢測能力,選取外場無人機(jī)采集數(shù)據(jù)進(jìn)行測試,具體無人機(jī)的參數(shù)與拍攝條件如2.1節(jié)所述。

選擇所采無人機(jī)視頻進(jìn)行測試,測試結(jié)果如表1所示,表中左側(cè)為不同時(shí)刻的視頻幀(間隔時(shí)間34 ms),中間為顯著測量圖,右側(cè)為目標(biāo)與背景的閾值化二值分割圖。

從表1中可以看出,盡管測試圖像中目標(biāo)非常小,僅占據(jù)幾個(gè)像素大小,且目標(biāo)輪廓十分模糊,目標(biāo)成像的像素強(qiáng)度也比較弱,但通過局部視覺顯著聚類測量算法處理后,目標(biāo)被準(zhǔn)確檢測到,證明了本文所設(shè)計(jì)算法在真實(shí)場景下的檢測能力。

表1 算法測試結(jié)果

3.2.2 人工數(shù)據(jù)測試

為驗(yàn)證局部視覺顯著聚類測量算法對遠(yuǎn)距離無人機(jī)目標(biāo)的空中探測能力,在測試集上開展了算法驗(yàn)證工作,6種典型不同氣象條件下的測試結(jié)果如表2所示,其中左側(cè)為輸入的測試圖像,中間為顯著測量圖,右側(cè)為目標(biāo)與背景的閾值化二值分割圖。

從表2中可以看出,輸入圖像分別是在6種氣象條件下拍攝的天空背景,部分存在云層,有的云層起伏程度比較大,并且目標(biāo)像素特征多變,或明亮或暗淡(用于模擬無人機(jī)目標(biāo)對環(huán)境光的反射效果);從中間處理結(jié)果可以看出,即使存在云層干擾且目標(biāo)成像存在不確定性,目標(biāo)的局部顯著性也可以被成功記錄下來;從右側(cè)檢測結(jié)果可以得出,背景中的目標(biāo)都被成功分離,證明了本文局部視覺顯著聚類測量算法的檢測能力。

3.3 實(shí)驗(yàn)定量分析

為定量測試所提算法的性能,在此選擇外場采集的5段無人機(jī)視頻進(jìn)行測試。測試數(shù)據(jù)以及測試準(zhǔn)確度結(jié)果如表3所示。

表2 算法測試結(jié)果

表3 測試數(shù)據(jù)說明

從表3中可以看出,本文局部視覺顯著聚類測量算法在檢測準(zhǔn)確度上達(dá)到了100%的最佳性能,但是在檢測速度上比較低,僅達(dá)到8幀/s,遠(yuǎn)遠(yuǎn)達(dá)不到導(dǎo)引頭的實(shí)時(shí)性要求,但這并不影響本文的意義,因?yàn)樵谒惴ň唧w部署時(shí),可通過分割圖像、多線程并行等方式對小圖像進(jìn)行檢測,最終進(jìn)行整合以加快檢測速度,但這并不屬于本文的重點(diǎn),故不予以展開討論。

4 結(jié)論

本文針對遠(yuǎn)距空中無人機(jī)目標(biāo)探測問題,基于顯著性檢測與局部對比測量方法,提出一種局部視覺顯著聚類測量算法。為對其檢測性能進(jìn)行測量,在外場地條件下進(jìn)行遠(yuǎn)距離的無人機(jī)拍攝任務(wù),并構(gòu)建了相應(yīng)的數(shù)據(jù)集。為對數(shù)據(jù)集的背景和氣象進(jìn)行類型增廣,基于圖像合成技術(shù)進(jìn)行了遠(yuǎn)距離無人機(jī)成像的圖像數(shù)據(jù)合成工作,構(gòu)建了無人機(jī)遠(yuǎn)距離成像合成數(shù)據(jù)集。在兩類數(shù)據(jù)集上分別進(jìn)行測試,從定性與定量兩方面進(jìn)行了評估,驗(yàn)證了其算法檢測準(zhǔn)確率與計(jì)算效率。本研究針對場景區(qū)別于紅外目標(biāo)檢測與可見光近距目標(biāo)檢測,得出以下主要結(jié)論:

1)利用無人機(jī)遠(yuǎn)距離成像彌散效應(yīng),即成像域是一個(gè)同質(zhì)致密像素域且與領(lǐng)域像素光譜非連通,采用滑窗模型搜索潛在目標(biāo)的成像域。

2)采用視覺顯著測量度量光譜非連通下的光譜差異性,最終得到潛在目標(biāo)最大可能的像素位置。

3)采用外場無人機(jī)拍攝和人工合成兩種方式進(jìn)行了遠(yuǎn)距無人機(jī)目標(biāo)測試數(shù)據(jù)集收集工作,并進(jìn)行了算法測試。測試結(jié)果表明所提算法在復(fù)雜氣象條件下可使目標(biāo)與背景成功分離,且算法計(jì)算方法簡單,易于工程實(shí)現(xiàn)。