本發(fā)明涉及一種無人機，特別涉及一種人群聚集預警無人機。

背景技術：

無人駕駛飛機簡稱“無人機”，是利用無線電遙控設備和自備的程序控制裝置操縱的不載人飛機。機上無駕駛艙，但安裝有自動駕駛儀、程序控制裝置等設備。地面、艦艇上或母機遙控站人員通過雷達等設備，對其進行跟蹤、定位、遙控、遙測和數(shù)字傳輸?？稍跓o線電遙控下像普通飛機一樣起飛或用助推火箭發(fā)射升空，也可由母機帶到空中投放飛行?；厥諘r，可用與普通飛機著陸過程一樣的方式自動著陸，也可通過遙控用降落傘或攔網(wǎng)回收?？煞锤彩褂枚啻巍?/p>

無人機在軍用或者民用過程中只提供了眼睛的作用，或者利用自帶的設備做一些動作，智能化程度不高，不能自動處理篩選處理信息，那么最后信息都必須傳至終端才能進行再處理，因此信息處理的速度不快，而目前用于監(jiān)控的無人機，只是自帶攝像頭，而不能做進一步的信息處理，造成信息處理的延時。

技術實現(xiàn)要素：

本發(fā)明的目的在于，提供了一種自動進行信息處理的人群聚集預警無人機。

本發(fā)明解決其技術問題所采用的技術方案是：一種人群聚集預警無人機，包括攝像頭，還包括目標標定模塊、目標軌跡預判模塊、人群聚集度預測模塊、預警判斷模塊；

目標標定模塊，設定標準特征數(shù)據(jù)庫，將攝像頭采集的視頻樣本與標準特征數(shù)據(jù)庫進行對比，篩選出正確的對象；

目標軌跡預判模塊，第一步，圖像網(wǎng)格采樣，將圖像攝取設備攝取的視頻圖片進行采樣，獲取稀疏的圖像像素點；第二步，連續(xù)幀網(wǎng)格點軌跡獲取，對網(wǎng)格像素點在連續(xù)的至少兩個視頻幀進行跟蹤；第三步，網(wǎng)格點軌跡分塊處理，將視頻幀圖像分割成幾十個圖像小塊，對屬于同一個圖像小塊的所有網(wǎng)格像素點軌跡組建一個數(shù)據(jù)矩陣,并利用主成分分析法提取主分量軌跡；第四步，剔除背景網(wǎng)格點，去除主分量軌跡，得到殘余軌跡分量，并計算自適應的閾值，判定其殘余軌跡分量小于閾值的網(wǎng)格像素點屬于背景點，大于閾值的網(wǎng)格像素點屬于潛在的運動目標點；第五步，采用非線性的擴展卡爾曼濾波或粒子濾波，并結合運動目標前連續(xù)幀的坐標位置，預測下一時刻目標的位置，建立預判軌跡；

人群聚集度預測模塊，對多個目標的預判軌跡進行預判形成運動軌跡圖，設定目標地，對目標地未來時間的人群聚集度進行預判；預警判斷模塊，將預判結果顯示在顯示器上，設定人群密集度標準，超出標準進行預警。

本發(fā)明的進一步設置為：還包括gps定位模塊，gps定位模塊實時接收發(fā)送定位信息，并與顯示器連接。

本發(fā)明的進一步設置為：將網(wǎng)格像素點坐標設為p(xm,yn)，網(wǎng)格像素點坐標計算方法為，xm＝(m-1)*d1+1；yn＝(n-1)*d2+1，其中，m為網(wǎng)格列數(shù)，n為網(wǎng)格行數(shù)，d1為網(wǎng)格寬度，d2為網(wǎng)格高度。

本發(fā)明的進一步設置為：每個網(wǎng)格點的在每一視頻的坐標位置為，p(xm(t),yn(t))＝f(p(xm(t-1),yn(t-1))，f(p)為跟蹤算法，p(xm(t-1),yn(t-1))為列數(shù)為m,行數(shù)為n的像素點在第t-1視頻幀中的坐標，p(xm(t),yn(t))為列數(shù)為m,行數(shù)為n的像素點在第t視頻幀中的坐標。

上述無人機可以利用攝像頭采集視頻信息，首先與標準特征數(shù)據(jù)庫進行對比，確定準確的目標群體，然后對多幀數(shù)的視頻信息進行處理，預判對象的軌跡，利用多個目標的軌跡線集作為對象，劃定目標區(qū)域，只要得到軌跡落在目標區(qū)域的情況就能得到人群聚集度的預判，預判值與人群密集度標準進行對比，如果超出了標準就進行預警，因此無人機不僅能監(jiān)控人群密集度的情況，還能做出預警判斷，并及時處理信息，避免信息處理延時，做好預防。

具體實施方式

本發(fā)明一種人群聚集預警無人機，包括攝像頭，還包括目標標定模塊、目標軌跡預判模塊、人群聚集度預測模塊、預警判斷模塊；目標標定模塊，設定標準特征數(shù)據(jù)庫，將攝像頭采集的視頻樣本與標準特征數(shù)據(jù)庫進行對比，篩選出正確的對象；

目標軌跡預判模塊，第一步，圖像網(wǎng)格采樣，將圖像攝取設備攝取的視頻圖片進行采樣，獲取稀疏的圖像像素點；第二步，連續(xù)幀網(wǎng)格點軌跡獲取，對網(wǎng)格像素點在連續(xù)的至少兩個視頻幀進行跟蹤；第三步，網(wǎng)格點軌跡分塊處理，將視頻幀圖像分割成幾十個圖像小塊，對屬于同一個圖像小塊的所有網(wǎng)格像素點軌跡組建一個數(shù)據(jù)矩陣,并利用主成分分析法提取主分量軌跡；第四步，剔除背景網(wǎng)格點，去除主分量軌跡，得到殘余軌跡分量，并計算自適應的閾值，判定其殘余軌跡分量小于閾值的網(wǎng)格像素點屬于背景點，大于閾值的網(wǎng)格像素點屬于潛在的運動目標點；第五步，采用非線性的擴展卡爾曼濾波或粒子濾波，并結合運動目標前連續(xù)幀的坐標位置，預測下一時刻目標的位置，建立預判軌跡；

人群聚集度預測模塊，對多個目標的預判軌跡進行預判形成運動軌跡圖，設定目標地，對目標地未來時間的人群聚集度進行預判；預警判斷模塊，將預判結果顯示在顯示器上，設定人群密集度標準，超出標準進行預警，gps定位模塊實時接收發(fā)送定位信息，并與顯示器連接，將網(wǎng)格像素點坐標設為p(xm,yn)，網(wǎng)格像素點坐標計算方法為，xm＝(m-1)*d1+1；yn＝(n-1)*d2+1，其中，m為網(wǎng)格列數(shù)，n為網(wǎng)格行數(shù)，d1為網(wǎng)格寬度，d2為網(wǎng)格高度，每個網(wǎng)格點的在每一視頻的坐標位置為，p(xm(t),yn(t))＝f(p(xm(t-1),yn(t-1))，f(p)為跟蹤算法，p(xm(t-1),yn(t-1))為列數(shù)為m,行數(shù)為n的像素點在第t-1視頻幀中的坐標，p(xm(t),yn(t))為列數(shù)為m,行數(shù)為n的像素點在第t視頻幀中的坐標。

下面詳細解釋實施例中軌跡預判的過程。

圖像網(wǎng)格采樣：主要用于獲取稀疏的圖像像素點而又不失像素點的分布均勻性，達到減少跟蹤點數(shù)量，提高系統(tǒng)運算速度的目的。網(wǎng)格像素點坐標計算方法如下:

xm＝(m-1)*d1+1；yn＝(n-1)*d2+1；

其中：m為網(wǎng)格列數(shù)，n為網(wǎng)格行數(shù)，d1為網(wǎng)格寬度，d2為網(wǎng)格高度；(網(wǎng)格像素點為p(xm,yn))

連續(xù)t幀網(wǎng)格點軌跡獲取：對網(wǎng)格像素點p(xm,yn)在連續(xù)的t個視頻幀進行跟蹤，其中每個網(wǎng)格點的在每一視頻的坐標位置如下：

p(xm(t),yn(t))＝f(p(xm(t-1),yn(t-1)))；

其中：f(p)為跟蹤算法，p(xm(t-1),yn(t-1))為列數(shù)為m,行數(shù)為n的像素點在第t-1視頻幀中的坐標，p(xm(t),yn(t))為列數(shù)為m,行數(shù)為n的像素點在第t視頻幀中的坐標。

網(wǎng)格點軌跡分塊處理：將視頻幀圖像分割成幾十個圖像小塊，對屬于同一個圖像小塊的所有網(wǎng)格像素點軌跡組建一個數(shù)據(jù)矩陣m,并利用主成分分析法(pca)提取主分量軌跡m＇，以此為基礎來建立軌跡數(shù)據(jù)集合。

本發(fā)明的主要作用是應用在警用上，由于目前社會的各種集會很多，比如旅游、演唱會、觀潮等，近年來發(fā)生了很多意外的多人踩踏事件，這是無法預期的，那么利用本發(fā)明無人機，就能預判，并做好及時的準備和處理。

本發(fā)明中對于標準特征數(shù)據(jù)庫的標準特征的設定是可以改變的，如果是生物的話，比如配合熱探測儀形成圖像，還可以通過紅外線、雷達等手段采集樣本，當然單純的圖像特征也是可以的，比如滿足人體特征并移動的物體，就復合標準特征，那么選定目標就非常方便。

顯然，上述實施例僅僅是為了清楚的說明所做的舉例，而并非對實施方式的限定。對于所屬領域的技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發(fā)明的保護范圍。