基于人工智能的無人機果凍效應嚴重程度檢測方法及系統技術方案

本發明專利技術涉及人工智能技術領域，具體涉及基于人工智能的無人機果凍效應嚴重程度檢測方法及系統。該方法包括步驟：采集連續多幀城市圖像，獲得剛體建筑圖像；獲取剛體建筑在高度方向的輪廓邊緣、參考直線和方向向量；結合輪廓邊緣、參考直線和方向向量獲得建筑物邊緣直線；根據由建筑物邊緣直線的高度、距城市圖像邊緣的距離和像素偏移度成正相關關系所建立的權重分配模型，獲取建筑物邊緣直線的重要程度的評估值，獲取最大評估值所對應的建筑物邊緣直線作為最優參考直線；根據最優參考直線獲取幀內離散程度和幀間離散程度，得到每幀城市圖像的果凍效應嚴重程度。在保證檢測精度的同時，提高了檢測效率。提高了檢測效率。提高了檢測效率。

【技術實現步驟摘要】
基于人工智能的無人機果凍效應嚴重程度檢測方法及系統


[0001]本專利技術涉及人工智能
，具體涉及基于人工智能的無人機果凍效應嚴重程度檢測方法及系統。

技術介紹

[0002]使用卷簾快門的相機在拍攝高速運動的物體時，或者相機本身在高速運動情況下拍攝時產生的抖動、扭曲、傾斜和拖影等現象統稱為果凍效應。相機在使用卷簾快門進行曝光時，像素在從上到下讀取時就產生了微小的曝光時間差，由于像素的逐行讀取存在時間差，高速運動的物體最終成像是傾斜、畸變的。
[0003]當使用無人機進行航拍時，如果無人機搭載的是卷簾快門，加上無人機自身又是有著高速運動能力的設備和較遠的拍攝距離，很容易產生果凍效應。其次無人機在進行懸停航拍時，會有不同頻率不同強度的震動，絕大部分是上下震動，這種震動對于相機來說也是一種高速運動，尤其是左右和上下的單向運動容易讓畫面出現斜拉和擠壓的現象，。
[0004]專利技術人在實踐中，發現上述現有技術存在以下缺陷：
[0005]檢測圖像的果凍效應時，對整個圖像進行檢測，效率低下。

技術實現思路

[0006]為了解決上述技術問題，本專利技術的目的在于提供一種基于人工智能的無人機果凍效應嚴重程度檢測方法及系統，所采用的技術方案具體如下：
[0007]第一方面，本專利技術一個實施例提供了一種基于人工智能的無人機果凍效應嚴重程度檢測方法，該方法包括步驟：采集連續多幀城市圖像；城市圖像中包括剛體建筑圖像；獲取剛體建筑在高度方向的輪廓邊緣、參考直線和方向向量；結合輪廓邊緣和參考直線獲取初步邊緣直線，根據輪廓邊緣直線和方向向量的夾角以及預設夾角閾值，對初步邊緣直線進行篩選，得到建筑物邊緣直線；根據由建筑物邊緣直線的高度、距城市圖像邊緣的距離和像素偏移度成正相關關系獲取建筑物邊緣直線的重要程度的評估值，獲取最大評估值所對應的建筑物邊緣直線作為最優參考直線；將最優參考直線分為預設數量等份線段，根據單幀城市圖像中線段的離散程度以及所有幀城市圖像中線段的離散程度，判斷單幀城市圖像的果凍效應嚴重程度。
[0008]第二方面，本專利技術另一實施例提供了一種基于人工智能的無人機果凍效應嚴重程度檢測系統，該系統包括圖像采集模塊、圖像分析模塊、邊緣直線獲取模塊、最優參考直線獲取模塊和嚴重程度判斷模塊。
[0009]圖像采集模塊，用于采集連續多幀城市圖像；城市圖像中包括剛體建筑圖像。
[0010]圖像分析模塊，用于獲取剛體建筑在高度方向的輪廓邊緣、參考直線和方向向量。
[0011]邊緣直線獲取模塊，用于結合輪廓邊緣和參考直線獲取初步邊緣直線，根據輪廓邊緣直線和方向向量的夾角以及預設夾角閾值，對初步邊緣直線進行篩選，得到建筑物邊緣直線。
[0012]最優參考直線獲取模塊，用于根據由建筑物邊緣直線的高度、距城市圖像邊緣的距離和像素偏移度成正相關關系獲取建筑物邊緣直線的重要程度的評估值，獲取最大評估值所對應的建筑物邊緣直線作為最優參考直線。
[0013]嚴重程度判斷模塊，用于將最優參考直線分為預設數量等份線段，根據單幀城市圖像中線段的離散程度以及所有幀城市圖像中線段的離散程度，判斷單幀城市圖像的果凍效應嚴重程度。
[0014]本專利技術實施例至少具有如下有益效果：
[0015]對于懸停狀態下無人機拍攝到的視頻，僅需要檢測最能反應圖像果凍效應的那條直線就能快速判斷該幅圖像是否滿足質量要求，不需要對全圖進行檢測分析，在保證檢測精度的同時，提高了檢測效率。
附圖說明
[0016]為了更清楚地說明本專利技術實施例或現有技術中的技術方案和優點，下面將對實施例或現有技術描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它附圖。
[0017]圖1為本專利技術一個實施例所提供的一種基于人工智能的無人機果凍效應顯著幀檢測方法流程圖；
[0018]圖2為本專利技術一個實施例所提供的城市圖像分割示意圖；
[0019]圖3為本專利技術另一實施例所提供的一種基于人工智能的無人機果凍效應顯著幀檢測系統具體框圖；
[0020]圖4為本專利技術另一實施例所提供的一種基于人工智能的無人機果凍效應顯著幀檢測系統框圖；
[0021]圖5為本專利技術另一實施例所提供的一種基于人工智能的無人機果凍效應顯著幀檢測系統中圖像采集模塊示意圖；
[0022]圖6為本專利技術另一實施例所提供的一種基于人工智能的無人機果凍效應顯著幀檢測系統中邊緣直線獲取模塊示意圖；
[0023]圖7為本專利技術另一實施例所提供的一種基于人工智能的無人機果凍效應顯著幀檢測系統中最優參考直線獲取示意圖。
具體實施方式
[0024]為了更進一步闡述本專利技術為達成預定專利技術目的所采取的技術手段及功效，以下結合附圖及較佳實施例，對依據本專利技術提出的一種基于人工智能的無人機果凍效應嚴重程度檢測方法及系統，其具體實施方式、結構、特征及其功效，詳細說明如下。在下述說明中，不同的“一個實施例”或“另一個實施例”指的不一定是同一實施例。此外，一或多個實施例中的特定特征、結構、或特點可由任何合適形式組合。
[0025]除非另有定義，本文所使用的所有的技術和科學術語與屬于本專利技術的
的技術人員通常理解的含義相同。
[0026]下面結合附圖具體的說明本專利技術所提供的一種基于人工智能的無人機果凍效應
嚴重程度檢測方法及系統的具體方案。
[0027]請參閱圖1，其示出了本專利技術一個實施例提供的基于人工智能的無人機果凍效應顯著幀檢測方法流程圖。
[0028]步驟S1，采集連續多幀城市圖像，城市圖像中包括剛體建筑圖像。
[0029]具體地，使用無人機搭載RGB相機在懸停狀態下對城市進行視頻航拍，獲取到視頻圖像幀序列，視頻中每幀圖像記為城市圖像。
[0030]由于相機在拍攝時受到透視變換的影響，當圖像發生橫向偏移時位于圖像邊緣的區域是最易產生形變且形變最大的區域，圖像邊緣的區域最能反映出整體圖像的橫向形變。將城市圖像均勻劃分預設數量的分區。由于相機拍照時受透視變換的影響，當圖像發生橫向偏移時位于圖像邊緣的區域是最易產生形變且形變最大的區域，因此圖像邊界區域的形變最能反應整體圖像的橫向形變。本專利技術實施例中，預設數量為3，即將城市圖像按照從左到右的順序劃分3等分的分區。如圖2所示，城市圖像4包括第一區域1、第二區域2和第三區域3，其中，第一區域1和第三區域3為圖像邊界區域，第二區域2為圖像中心區域。
[0031]將城市圖像輸入到語義分割網絡中對圖像的剛體建筑進行檢測，僅針對圖像邊界區域進行檢測，輸出為剛體建筑圖像。其中語義分割網絡為編碼器
?
譯碼器(Encoder
?
Decoder)結構的DNN網絡。
[0032]具體地，語義分割網絡的訓練過程為：
[0033]將大量的無人機航拍采集到的含有剛體建筑的城市圖像作為訓練數據集本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.基于人工智能的無人機果凍效應嚴重程度檢測方法，其特征在于，該方法包括步驟：采集連續多幀城市圖像；所述城市圖像中包括剛體建筑圖像；獲取所述剛體建筑在高度方向的輪廓邊緣、參考直線和方向向量；結合所述輪廓邊緣和所述參考直線獲取初步邊緣直線，根據所述輪廓邊緣直線和所述方向向量的夾角以及預設夾角閾值，對所述初步邊緣直線進行篩選，得到建筑物邊緣直線；根據由所述建筑物邊緣直線的高度、距城市圖像邊緣的距離和像素偏移度成正相關關系獲取所述建筑物邊緣直線的重要程度的評估值，獲取最大所述評估值所對應的所述建筑物邊緣直線作為最優參考直線；將所述最優參考直線分為預設數量等份線段，根據單幀所述城市圖像中所述線段的離散程度以及所有幀所述城市圖像中所述線段的離散程度，判斷所述單幀城市圖像的果凍效應嚴重程度。2.根據權利要求1所述的基于人工智能的航拍城市圖像果凍效應顯著幀檢測方法，其特征在于：所述城市圖像中包括圖像邊界區域，獲取圖像邊界區域中的所述剛體建筑圖像。3.根據權利要求2所述的基于人工智能的無人機果凍效應嚴重程度檢測方法，其特征在于，所述評估值由所述權重分配模型獲取，所述權重分配模型為：其中，S
n
表示第n條所述建筑邊緣直線重要程度的評估值，α表示所述建筑邊緣直線距離圖像邊緣所占權重，β表示所述建筑邊緣直線自身高度所占權重，d表示所述圖像邊界區域的寬度，h表示所述圖像邊界區域的高度，x
n
表示第i條所述建筑邊緣直線上各像素點橫坐標的平均值，x0表示距離所述建筑邊緣直線最近的圖像邊界線的平均橫坐標；y
n1
表示第i條所述建筑邊緣直線的最高點的縱坐標，y
n2
表示第i條所述建筑邊緣直線的最低點的縱坐標。4.根據權利要求1所述的基于人工智能的無人機果凍效應嚴重程度檢測方法，其特征在于，結合所述輪廓邊緣和所述參考直線獲取初步邊緣直線的具體步驟包括：當所述輪廓邊緣的像素點坐標與所述參考直線的重合度達到重合度閾值時，結合所述輪廓邊緣和所述參考直線獲取初步邊緣直線。5.根據權利要求1所述的基于人工智能的無人機果凍效應嚴重程度檢測方法，其特征在于，所述離散程度包括：所述線段的長度和坐標的方差。6.基于人工智能的無人機果凍效應嚴重程度檢測系統，其特征在于，該系統包括圖像采集模塊、圖像分析模塊、邊緣直線獲取模塊、最優參考直線獲取模塊和嚴重程度判斷模塊；所述圖像采集模塊，用于采集連...

【專利技術屬性】
技術研發人員：周婷婷，李俊，
申請(專利權)人：周婷婷，
類型：發明
國別省市：