买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及一种无人机目标要害点实时定位方法、系统及存储介质，方法包括获取无人机的监控图像，根据监控图像选取当前帧图像，并对当前帧图像进行降采样处理，得到第一灰度图像；根据第一灰度图像获取目标中心的当前帧预测位置，并根据当前帧预测位置计算目标中心的当前帧准确位置；对当前帧图像进行二值化处理，得到第二灰度图像；在第二灰度图像中，根据当前帧准确位置确定当前帧图像中目标要害点的当前帧可疑域；并根据当前帧可疑域和当前帧准确位置确定无人机的多个目标要害点位置。本发明可以快速地对无人机的要害点进行实时且精确地定位，满足多旋翼的高帧频处理和复杂背景识别的要求，可以广泛用于无人机反制技术领域。

主权项：1.一种无人机目标要害点实时定位方法，其特征在于，包括以下步骤：步骤1：获取无人机的监控图像，根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像；步骤2：根据所述第一灰度图像获取所述无人机的目标中心的当前帧预测位置，并根据所述当前帧预测位置计算所述目标中心的当前帧准确位置；步骤3：对所述当前帧图像进行二值化处理，得到第二灰度图像；步骤4：在所述第二灰度图像中，根据所述当前帧准确位置确定所述当前帧图像中目标要害点的当前帧可疑域；并根据所述当前帧可疑域和所述当前帧准确位置，确定所述无人机的多个目标要害点位置；所述步骤1中，根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像具体包括：选取所述监控图像中的任一帧作为所述当前帧图像Imk，且所述当前帧图像Imk的大小为M×N，采用隔点法对所述当前帧图像Imk的行和列分别进行降采样处理，得到所述第一灰度图像Imk1，其中，M和N分别指所述当前帧图像Imk的行和列分别对应的像素点的数量；所述步骤2的具体步骤包括：步骤21：将所述第一灰度图像中每行相邻的两个像素点的灰度值分别做差分和取绝对值处理，得到二维矩阵A；步骤22：逐行遍历所述二维矩阵A，统计所述二维矩阵A中大于预设经验阈值的元素个数Ai，并选取所述元素个数Ai的最大值对应的行作为所述第一灰度图像的当前帧目标行i0；步骤23：根据所述当前帧目标行i0中大于所述预设经验阈值的第一个元素和最后一个元素分别对应的列j0和j1，确定所述第一灰度图像的当前帧目标列j0+j12；步骤24：根据所述当前帧目标行i0和所述当前帧目标列j0+j12确定所述当前帧预测位置为BH×i0,H×j0+j12；其中，H为降采样处理的倍率；步骤25：在所述当前帧图像Imk中，选取以所述当前帧预测位置B为中心，以预设边长的正方形区域计算所述当前帧准确位置CkxCk,yCk,所述当前帧准确位置CkxCk,yCk具体计算公式为： 其中，[]为四舍五入取整运算，i为所述当前帧图像中的行，j为所述当前帧图像中的列，L为所述预设边长，Imki,j为所述当前帧图像中第i行和第j列对应的像素点的灰度值，H表示降采样处理的倍率，j0和j1表示当前帧目标行i0中大于所述预设经验阈值的第一个元素和最后一个元素分别对应的列，mk表示在预设边长的正方形区域内当前帧位置的0阶矩，即目标的灰度总和，Myk、Mxk分别在预设边长的正方形区域内当前帧位置在行和列方向上的1阶矩，即的灰度中心，i0和j0+j12是在图像上的形心，xCk和yCk是在图像上的质心；所述步骤3的具体步骤包括：步骤31：计算所述当前帧图像Imk所有像素点的平均灰度值Tk，所述平均灰度值Tk具体计算公式为： 其中，M，N表示当前帧图像Imk的大小，i为所述当前帧图像中的行，j为所述当前帧图像中的列；步骤32：以预设灰度阈值S对所述当前帧图像Imk进行二值化处理，得到所述第二灰度图像Imk2为： 其中，s表示预设灰度阈值，Imk表示当前帧图像，Imk2表示第二灰度图像，i为所述当前帧图像中的行，j为所述当前帧图像中的列；所述步骤4中，当所述当前帧图像为所述监控图像的首帧图像时，具体步骤包括：步骤41：在所述第二灰度图像Imk2中，将以所述当前帧准确位置CkxCk,yCk为圆心、以预设半径长度为搜索半径的圆域分为四个等分的线程，并以所述当前帧准确位置为起点，所述当前帧准确位置的正右方向为起始方向，每隔1°做一条射线，在所述四个等分的线程中进行并行搜索，分别获取所述四个等分的线程中，每条所述射线与所述第二灰度图像的多个交点；步骤42：遍历每条所述射线上的多个所述交点，将每条所述射线上与距离所述当前帧准确位置最远的所述交点作为所述第二灰度图像Imk2的外边界点，并获取所述外边界点与所述当前帧准确位置之间的距离和方向，记为Drk[θk]，并将所述外边界点与所述当前帧准确位置之间的距离和方向作为所述当前帧可疑域，其中Drk[θk]为θk方向的所述外边界点与所述当前帧准确位置之间的距离，且0°≤θk＜360，θk为整数；步骤43：计算所述当前帧可疑域中所述外边界点与所述当前帧准确位置之间的距离的极大值，并将其中至少四个最大的所述极大值对应的像素点确定为可疑目标要害点ZkDx,Dy，所述可疑目标要害点ZkDx,Dy的具体计算公式为： 其中，Drk[θk]表示θk方向的所述外边界点与所述当前帧准确位置之间的距离，xck当前帧准确位置的横坐标，yck表示当前帧准确位置的纵坐标，cosθk表示θk方向的余弦值，sinθk表示θk方向的正弦值；步骤44：比较相邻两个所述可疑目标要害点与所述当前帧准确位置的连线之间夹角的大小，将所述夹角最大对应的两个相邻所述可疑目标要害点确定为所述目标要害点，并获取所述目标要害点对应的位置分别为Zk1Dx1,Dy1和Zk2Dx2,Dy2，以及所述目标要害点对应的方向分别为θk1和θk2。

全文数据：一种无人机目标要害点实时定位方法、系统及存储介质技术领域本发明涉及目标识别及无人机反制技术领域，尤其涉及一种无人机目标要害点实时定位方法、系统及存储介质。背景技术近年来，随着无人机产业的飞速发展，多旋翼无人机以其尺寸小，噪音低，操作方便的特点在各领域得到了广泛的应用。多旋翼无人机市场迅猛发展的同时也带来了很多问题，如无人机非法入侵政府办公区、机场、军事基地等事件层出不穷，甚至出现了一些不法分子利用多旋翼无人机刺探我国军事基地的事件，给我国国家安全和人民生命财产构成极大威胁。多旋翼无人机具有飞行平稳、随时悬停的特点，适合对目标进行定点侦查，因此有必要设计针对该类型飞行器的反制方法，例如识别其关键部位，予以打击。目前对多旋翼无人机的反制手段主要分为：射击、网捕、控制信号干扰、激光打击等。但无论采用哪种反制方式，对无人机进行目标检测，关键部位识别定位是成功反制的关键。现有的无人机检测技术主要分为以下几类：雷达技术、图像技术。随着图像处理技术的不断完善和发展，成像目标检测识别技术得到了广泛的应用。通过目前的图像方法检测具有较好的检测率和较低的虚警率，可以满足民用领域对目标检测识别的要求，但是由于其算法设计的复杂性，算法对资源无论是时间或是空间消耗巨大，难于满足军事应用下的一些特殊要求，如高帧频，宽幅面，复杂背景，要害点检测等。发明内容本发明所要解决的技术问题是针对上述现有技术的不足，提供一种无人机目标要害点实时定位方法、系统及存储介质。本发明解决上述技术问题的技术方案如下：一种无人机目标要害点实时定位方法，包括以下步骤：步骤1：获取无人机的监控图像，根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像；步骤2：根据所述第一灰度图像获取所述无人机的目标中心的当前帧预测位置，并根据所述当前帧预测位置计算所述目标中心的当前帧准确位置；步骤3：对所述当前帧图像进行二值化处理，得到第二灰度图像；步骤4：在所述第二灰度图像中，根据所述当前帧准确位置确定所述当前帧图像中目标要害点的当前帧可疑域；并根据所述当前帧可疑域和所述当前帧准确位置，确定所述无人机的多个目标要害点位置。本发明的有益效果是：通过对当前帧图像中的目标中心进行预测，获取目标中心的当前帧预测位置，对无人机的目标中心的大致范围进行定位，再根据当前帧预测位置计算目标中心的当前帧准确位置，对无人机的目标中心进行精确定位；再通过二值化处理，并在第二灰度图像中根据目标中心的当前帧准确位置，获取无人机的目标要害点的当前帧可疑域，进而对无人机的多个目标要害点进行定位。本发明基于图像处理的目标要害点定位方法，算法简单，可以对无人机的目标要害点进行实时识别与定位，且具有较高的准确率和较低的虚警率，满足多旋翼的高帧频处理和复杂背景识别的要求，能满足军事应用上的一些特殊要求，能广泛用于无人机反制技术领域，保障国家和人民的生命和财产安全。其中，本发明的无人机主要针对多旋翼无人机，特别是四旋翼无人机，多旋翼无人机是一种具有三个及以上旋翼的特殊的无人驾驶旋翼飞行器。在上述技术方案的基础上，本发明还可以做如下改进：进一步：所述步骤1中根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像具体包括：选取所述监控图像中的任一帧作为所述当前帧图像Imk，且所述当前帧图像Imk的大小为M×N，采用隔点法对所述当前帧图像Imk的行和列分别进行降采样处理，得到所述第一灰度图像Imk1，其中，M和N分别指所述当前帧图像Imk的行和列分别对应的像素点的数量。上述进一步方案的有益效果是：无人机的监控图像为动态视频图像，通过选取任一帧作为当前帧图像，并对当前帧图像的各行和各列分别做降采样处理，方便对当前帧的目标中心及目标要害点进行定位，便于通过对当前帧的定位实现对监控图像中的每一帧的目标中心和目标要害点进行定位，实现高帧频和复杂背景环境下的无人机反制，保障国家和人民的生命和财产安全。其中，降采样处理的倍率可以根据实际情况设定，例如采用对当前帧图像为Imk的行和列分别做20倍的降采样处理，即在当前帧图像的各行和各列的像素点中均每隔二十个取一个像素点保留，作为第一灰度图像。进一步：所述步骤2的具体步骤包括：步骤21：将所述第一灰度图像中每行相邻的两个像素点的灰度值分别做差分和取绝对值处理，得到二维矩阵A；步骤22：逐行遍历所述二维矩阵A，统计所述二维矩阵A中大于预设经验阈值的元素个数Ai，并选取所述元素个数Ai的最大值对应的行作为所述第一灰度图像的当前帧目标行i0；步骤23：根据所述当前帧目标行i0中大于所述预设经验阈值的第一个元素和最后一个元素分别对应的列j0和j1，确定所述第一灰度图像的当前帧目标列j0+j12；步骤24：根据所述当前帧目标行i0和所述当前帧目标列j0+j12确定所述当前帧预测位置为BH×i0，H×j0+j12；其中，H为降采样处理的倍率；步骤25：在所述当前帧图像Imk中，选取以所述当前帧预测位置B为中心，以预设边长的正方形区域计算所述当前帧准确位置CkxCk，yCk，所述当前帧准确位置CkxCk，yCk具体计算公式为：其中，[]为四舍五入取整运算，i为所述当前帧图像中的行，j为所述当前帧图像中的列，L为所述预设边长，Imki，j为所述当前帧图像中第i行和第j列对应的像素点的灰度值。上述进一步方案的有益效果是：由于当前帧图像中包含当前帧无人机图像和当前帧背景图像，而当前帧无人机图像和当前帧背景图像相比，像素的灰度值差异较大，特别是当前帧无人机图像的边缘像素点，通过大量实验得到灰度值差异的经验值为15，因此预设经验阈值通常选15；通过对降采样处理后的第一灰度图像进行目标中心的预测，可等效为对当前帧图像中的当前帧预测位置的预测，因此通过对第一灰度图像中每行相邻的两个像素点的灰度值分别做差分和取绝对值处理，并遍历处理后的二维矩阵，则该二维矩阵中大于预设经验阈值的元素个数最多的行必然包含当前帧无人机图像，即可设定为当前帧目标行i0，完成对目标中心的当前帧预测位置的行定位；由于当前帧无人机图像的边缘像素点与当前帧背景图像的像素点差异最大，且当前帧图像中像素点灰度值差异大于预设经验阈值的第一个元素和最后一个元素必然对应为当前帧无人机图像的边缘，因此通过选取该当前帧目标行i0中大于预设经验阈值的第一个元素和最后一个元素分别对应的列j0和j1，并通过平均值法即可确定为当前帧目标列j0+j12，完成对目标中心的当前帧预测位置的列定位；从而获得当前帧预测位置BH×i0，H×j0+j12；其中当前帧预测位置为当前帧图像中目标中心的预测位置，为无人机在当前帧图像中的大致位置，而当前帧目标行和目标列是通过在经过降采样处理的第一灰度图像中获取，因此需要还原为降采样处理之前的当前帧图像，即当前帧预测位置需要乘以降采样处理的倍率。但是该位置仅为当前帧预测位置，需要进一步确定目标中心的当前帧准确位置，因此在当前帧图像中以该预测位置为中心，选取以预设边长L的正方形区域作为无人机的当前帧预测区域，并在该预测区域根据质心计算公式，由当前帧图像中的每一个像素点的灰度值计算出该当前帧预测区域的质心，即为无人机目标中心的当前帧准确位置，其中，预设边长L可根据实际情况按照不同的像素数量来选取，，根据经验值，预设边长L通常选取151像素，即通常按照151像素作为正方形区域的边长来选取当前帧预测区域，并进行计算质心的位置，即为目标中心的当前帧准确位置；质心计算公式即为当前帧准确位置具体计算公式，为现有技术，具体不再赘述；通过上述对当前帧目标行、当前帧目标列的定位，初步预测无人机的当前帧预测位置，从而确定无人机的当前帧预测区域，进而便于获取目标中心当前帧准确位置，定位方法简单，定位精度高，且能减轻后续步骤的计算量，能克服复杂的背景环境干扰，满足军事应用上的特殊要求，能广泛用于无人机反制技术领域。进一步：所述步骤3的具体步骤包括：步骤31：计算所述当前帧图像Imk所有像素点的平均灰度值Tk，所述平均灰度值Tk具体计算公式为：步骤32：：以预设灰度阈值S对所述当前帧图像Imk进行二值化处理，得到所述第二灰度图像Imk2为：上述进一步方案的有益效果是：由于当前帧目标图像中的无人机图像的像素灰度值比背景图像低，因此可通过当前帧图像所有像素点的平均灰度值作为阈值对无人机图像和背景图像进行二值化处理，将无人机图像和背景图像分割开来，根据经验值，当前帧图像所有像素点的平均灰度值比背景图像的灰度值要低，根据大量实验，低于Tk-20的像素灰度值对应的图像即为无人机图像，高于Tk-20的像素灰度值对应的图像即为背景图像，因此将Tk-20作为预设灰度阈值S对当前帧图像Imk进行二值化处理，并将低于S＝Tk-20的像素灰度值赋值为255白色的灰度值为255，即将当前帧图像中的无人机图像赋值为白色，而将高于S＝Tk-20的像素灰度值赋值为0黑色的灰度值为0，即将当前帧图像中的背景图像赋值为黑色背景。通过上述二值化处理，便于将无人机图像和背景图像进行分割，便于后续对无人机的目标要害点进行搜索和精确定位。进一步：所述步骤4中当所述当前帧图像为所述监控图像的首帧图像时，具体步骤包括：步骤41：在所述第二灰度图像Imk2中，将以所述当前帧准确位置CkxCk，yCk为圆心、以预设半径长度为搜索半径的圆域分为四个等分的线程，并以所述当前帧准确位置为起点，所述当前帧准确位置的正右方向为起始方向，每隔1°做一条射线，在所述四个等分的线程中进行并行搜索，分别获取所述四个等分的线程中，每条所述射线与所述第二灰度图像的多个交点；步骤42：遍历每条所述射线上的多个所述交点，将每条所述射线上与距离所述当前帧准确位置最远的所述交点作为所述第二灰度图像Imk2的外边界点，并获取所述外边界点与所述当前帧准确位置之间的距离和方向，记为Drk[θk]，并将所述外边界点与所述当前帧准确位置之间的距离和方向作为所述当前帧可疑域，其中Drk[θk]为θk方向的所述外边界点与所述当前帧准确位置之间的距离，且0°≤θk＜360，θk为整数；步骤43：计算所述当前帧可疑域中所述外边界点与所述当前帧准确位置之间的距离的极大值，并将其中至少四个最大的所述极大值对应的像素点确定为可疑目标要害点ZkDx，Dy，所述可疑目标要害点ZkDx，Dy的具体计算公式为：步骤44：比较相邻两个所述可疑目标要害点与所述当前帧准确位置的连线之间夹角的大小，将所述夹角最大对应的两个相邻所述可疑目标要害点确定为所述目标要害点，并获取所述目标要害点对应的位置分别为Zk1Dx1，Dy1和Zk2Dx2，Dy2，以及所述目标要害点对应的方向分别为θk1和θk2。上述进一步方案的有益效果是：当当前帧图像为监控图像的首帧图像时，将以当前帧准确位置为圆心和以预设半径长度为搜索半径的圆域进行四个等分线程的并行搜索，便于更快更准确地获取第二灰度图像中无人机图像与圆域搜索时的每条射线之间的多个交点，该多个交点中距离当前帧准确位置最远的交点即为该交点对应的射线方向上无人机图像的外边界点，则该外边界点有可能为无人机的目标要害点，多个外边界点即为当前帧可疑域；通过四个线程的并行搜索，搜索速度快，准确率高；根据经验值，在监控图像的每一帧图像中，无人机有脚架的无人机的其中两个正向的旋翼和两个脚架距离该无人机的目标中心点最远，即距离当前帧准确位置最远，因此需要找到当前帧可疑域中的最远的外边界点，则通过计算外边界点与目标中心的当前帧准确位置之间的距离的极大值，该距离的至少四个极大值对应的四个外边界点必然包含该无人机的两个正向的旋翼的目标要害点，并可能包含两个脚架的目标要害点，即必然为可疑目标要害点ZkDx，Dy，根据极坐标与直角坐标转换的数学知识，可求得可疑目标要害点的位置坐标和方向；对于无脚架的无人机，获取的至少四个极大值对应的四个外边界点均应该为该无人机的四个旋翼的目标要害点，且必然包含两个正向的旋翼的目标要害点；根据经验值，由于无人机的目标要害点通常为该无人机的旋翼，且在监控图像中，两个正向旋翼之间的夹角比旋翼与脚架有脚架的无人机之间的夹角通常要大，或者两个正向旋翼之间的夹角比其他相邻旋翼无脚架的无人机之间的夹角要大，因此相邻两个可疑目标要害点与当前帧准确位置的连线之间夹角最大所对应的两个相邻可疑目标要害点必然为该无人机的旋翼，即为目标要害点，并可以获取目标要害点对应的位置分别为Zk1Dx1，Dy1和Zk2Dx2，Dy2，以及方向分别为θk1和θk2；通过上述步骤对首帧图像的圆域搜索和计算，可以快速地对无人机的目标要害点进行识别与定位，具有较高的准确率和较低的虚警率。进一步：所述步骤4中当所述当前帧图像非所述监控图像的首帧图像时，具体步骤还包括：步骤45：按照步骤41～44，获取所述监控图像中所述当前帧图像的上一帧图像Imk-1经过二值化处理后的第三灰度图像Imk-12、所述上一帧图像Imk-1中所述目标中心的上一帧准确位置Ck-1xCk-1，yCk-1以及所述上一帧图像中的上一帧目标要害点的方向θk-11和θk-12；步骤46：将所述第二灰度图像Imk2与所述第三灰度图像Imk-12进行与运算，得到所述第二灰度图像与所述第三灰度图像的相交图像Pk；并在所述相交图像Pk中，按照步骤41～42，以所述当前帧准确位置为圆心、以所述预设半径长度为搜索半径和预设扇形角度进行扇形搜索，获取所述当前帧图像中目标要害点的当前帧可疑域步骤47：按照步骤43～44，获取所述当前帧图像中对应的多个所述目标要害点的位置分别为Zk1′Dx1，Dy1和Zk2′Dx2，Dy2，以及多个所述目标要害点对应的方向分别为θ′k1和θ′k2。上述进一步方案的有益效果是：由于监控图像为动态视频图像，通过前述步骤可获得每一帧图像中对应的目标要害点，但是每一帧图像都采用圆域搜索和计算，算法时间相对较长，当当前帧图像不为监控图像的首帧图像，通过前述步骤可以获取到当前帧图像的上一帧图像中的上一帧准确位置Ck-1xCk-1，yCk-1和上一帧目标要害点的方向θk-11和θk-12，以及当前帧图像的当前帧准确位置，且由于监控录像由高速相机捕捉，根据经验值，高速相机捕捉的监控录像的每一帧之间的时间极短，每一帧的目标要害点的位置变化不会超过15°的范围，因此以当前帧准确位置为圆心，以上一帧目标要害点的方向为依据而预设的扇形角度来进行扇形搜索，确定当前帧的目标要害点，可以大大减少搜索范围和搜索时间，减少算法所占内存，提高定位速度，且依据上一帧目标要害点获得的当前帧目标要害点的精度更高；其中，在进行扇形搜索时，将上一帧图像经过二值化处理的第三灰度图像与当前帧图像的第二灰度图像进行与运算，可以获得前后两帧图像相交后的子图像，即相交图像Pk，通过在相交图像Pk中进行扇形搜索，可以保证得到的当前帧可疑域更准确，便于后续计算目标要害点位置更精确；通过上述步骤，可以满足高帧频、宽幅面、复杂背景的无人机目标要害点的实时检测，满足军事应用下的一些特殊要求，且定位精度高，速度快，算法简单、占用资源相对较少，可以广泛应用无人机反制技术领域。进一步：所述预设半径长度为R1＝M4，所述预设扇形角度θ′k为θk-11-15°≤θ′k≤θk-11+15°，θk-12-15°≤θ′k≤θk-12+15°，θ′k为整数。上述进一步方案的有益效果是：M为当前帧图像的行对应的像素点的数量，以预设半径长度R1＝M4为搜索半径进行圆域搜索和扇形搜索，既能保证搜索的准确性，又可以避免多余像素点的搜索，减少算法消耗时间；高速相机捕捉的监控录像的每一帧之间的时间极短，每一帧的目标要害点的位置变化不会超过15°的范围，因此采用θk-11-15°≤θ′k≤θk-11+15°，θk-12-15°≤θ′k≤θk-12+15°的预设扇形角度进行扇形搜索，既能保证定位的实时性，减少算法消耗时间，效率高，又可以保证搜索的准确性。依据本发明的另一方面，提供了一种无人机目标要害点实时定位系统，包括监控单元、降采样处理单元、运算单元、二值化处理单元和搜索单元；所述监控单元，用于获取无人机的监控图像；所述降采样处理单元，用于根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像；所述运算单元，用于根据所述第一灰度图像获取所述无人机的目标中心的当前帧预测位置，并根据所述当前帧预测位置计算所述目标中心的当前帧准确位置；所述二值化处理单元，用于对所述当前帧图像进行二值化处理，得到第二灰度图像；所述搜索单元，用于在所述第二灰度图像中，根据所述当前帧准确位置确定所述当前帧图像中目标要害点的当前帧可疑域；所述运算单元还用于根据所述当前帧可疑域和所述当前帧准确位置，确定所述无人机的多个目标要害点位置。本发明的有益效果是：通过监控单元、降采样处理单元和运算单元，获取当前帧图像的当前帧预测位置，便于后续通过运算单元根据当前帧预测位置获取目标中心的当前帧准确位置，减少算法时间和占用的资源，定位精度较高；再通过二值化处理单元、搜索单元和运算单元搜索当前帧可疑域，并通过运算单元根据当前帧准确位置和当前帧可疑域，确定多个目标要害点位置。本发明基于图像处理的目标要害点定位系统，可以对无人机的目标要害点进行实时识别与定位，且具有较高的准确率和较低的虚警率，满足多旋翼的高帧频处理和复杂背景识别的要求，能满足军事应用上的一些特殊要求，能广泛用于无人机反制技术领域，保障国家和人民的生命和财产安全。其中，本发明的无人机主要针对多旋翼无人机，特别是四旋翼无人机。依据本发明的另一方面，提供了一种无人机目标要害点实时定位系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明的一种无人机目标要害点实时定位方法中的具体步骤。本发明的有益效果是：通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明的无人机目标要害点实时定位系统，可以对无人机的目标要害点进行实时识别与定位，且具有较高的准确率和较低的虚警率，满足多旋翼的高帧频处理和复杂背景识别的要求，能满足军事应用上的一些特殊要求，能广泛用于无人机反制技术领域，保障国家和人民的生命和财产安全。其中，本发明的无人机主要针对多旋翼无人机，特别是四旋翼无人机。依据本发明的另一方面，提供了一种存储介质，所述存储介质包括：至少一个指令，在所述指令被执行时实现本发明的一种无人机目标要害点实时定位方法中的具体步骤。本发明的有益效果是：通过执行包含至少一个指令的存储介质，实现本发明的无人机目标要害点实时定位，可以对无人机的目标要害点进行实时识别与定位，且具有较高的准确率和较低的虚警率，满足多旋翼的高帧频处理和复杂背景识别的要求，能满足军事应用上的一些特殊要求，能广泛用于无人机反制技术领域，保障国家和人民的生命和财产安全。其中，本发明的无人机主要针对多旋翼无人机，特别是四旋翼无人机。附图说明图1为本发明一实施例的无人机目标要害点实时定位方法的流程示意图；图2为本发明中一实施例的四旋翼无人机的主视图；图3为本发明中一实施例的四旋翼无人机的俯视图；图4为本发明中一实施例的无人机的当前帧准确位置示意图；图5为本发明定位方法中一实施例的圆域搜索示意图；图6为本发明定位方法一实施例的当前帧可疑域中外边界点与当前帧准确位置之间的距离的极大值的示意图；图7为本发明定位方法中一实施例的可疑目标要害点的示意图；图8为本发明定位方法中一实施例的目标要害点的示意图；图9为本发明另一实施例的结构示意图；图10为本发明又一实施例的结构示意图。附图中，各标号所代表的部件列表如下：11、监控单元，12、降采样处理单元，13、运算单元，14、二值化处理单元，15、搜索单元，100、处理器，200、存储器，300、计算机程序。具体实施方式以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。下面结合附图，对本发明进行说明。实施例一、如图1所示，一种无人机目标要害点实时定位方法，包括以下步骤：S1：获取无人机的监控图像，根据所述监控图像中选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像；S2：根据所述第一灰度图像获取所述无人机的目标中心的当前帧预测位置，并根据所述当前帧预测位置计算所述目标中心的当前帧准确位置；S3：对所述当前帧图像进行二值化处理，得到第二灰度图像；S4：在所述第二灰度图像中，根据所述当前帧准确位置确定所述当前帧图像中目标要害点的当前帧可疑域；并根据所述当前帧可疑域和所述当前帧准确位置，确定所述无人机的多个目标要害点位置。通过对当前帧图像中的目标中心进行预测，获取目标中心的当前帧预测位置，对无人机的目标中心的大致范围进行定位，再根据当前帧预测位置计算目标中心的当前帧准确位置，对无人机的目标中心进行精确定位；再通过二值化处理，并在第二灰度图像中根据目标中心的当前帧准确位置确定无人机的目标要害点的当前帧可疑域，进而对无人机的多个目标要害点进行定位。本发明基于图像处理的目标要害点定位方法，算法简单，可以对无人机的目标要害点进行实时识别与定位，且具有较高的准确率和较低的虚警率，满足多旋翼的高帧频处理和复杂背景识别的要求，能满足军事应用上的一些特殊要求，能广泛用于无人机反制技术领域，保障国家和人民的生命和财产安全。其中，本发明的无人机主要针对多旋翼无人机，多旋翼无人机是一种具有三个及以上旋翼的特殊的无人驾驶旋翼飞行器。本实施例监控一架四旋翼无人机，如图2-3所示，图2为本实施例四旋翼无人机的主视图，图3为本实施例四旋翼无人机的俯视图。优选地，S1中根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像具体包括：选取所述监控图像中的任一帧作为所述当前帧图像Imk，且所述当前帧图像Imk的大小为M×N，采用隔点法对所述当前帧图像Imk的行和列分别进行降采样处理，得到所述第一灰度图像Imk1，其中，M和N分别指所述当前帧图像Imk的行和列分别对应的像素点的数量。无人机的监控图像为动态视频图像，通过选取一帧作为当前帧图像，并对当前帧图像的各行和各列分别做降采样处理，方便对当前帧的目标中心及目标要害点进行定位，便于通过对当前帧的定位实现对监控图像中的每一帧的目标中心和目标要害点进行定位，实现高帧频和复杂背景环境下的无人机反制，保障国家和人民的生命和财产安全。本实施例的当前帧图像Imk的大小为640×480，采用隔点法对当前帧图像的行和列分别做20倍的降采样处理，即当前帧图像的各行和各列的像素点中均每隔二十个取一个像素点保留，得到第一灰度图像Imk1的大小为32×24。优选地，S2的具体步骤包括：S21：将所述第一灰度图像中每行相邻的两个像素点的灰度值分别做差分和取绝对值处理，得到二维矩阵A；本实施例根据S1得到的二维矩阵A大小为32×23。S22：逐行遍历所述二维矩阵A，统计所述二维矩阵A中大于预设经验阈值的元素个数Ai，并选取所述元素个数Ai的最大值对应的行作为所述第一灰度图像的当前帧目标行i0；本实施例按照预设经验阈值15，得到第11行中大于15的元素个数最多，将第11行作为当前帧目标行。S23：根据所述当前帧目标行i0中大于所述预设经验阈值的第一个元素和最后一个元素分别对应的列j0和j1，确定所述第一灰度图像的当前帧目标列j0+j12；本实施例在第11行中找到第一个和最后一个大于15的元素所在的列分别第12列和第16列。S24：根据所述当前帧目标行i0和所述当前帧目标列j0+j12确定所述当前帧预测位置为BH×i0，H×j0+j12；其中，H为降采样处理的倍率；本实施例根据第12列和第16列求得当前帧目标列为第14列，并根据当前帧目标行第11行，以及降采样处理的倍率得到目标中心在当前帧图像中的当前帧预测位置为B220，280。S25：在所述当前帧图像Imk中，选取以所述当前帧预测位置B为中心，以预设边长的正方形区域计算所述当前帧准确位置CkxCk，yCk，所述当前帧准确位置CkxCk，yCk具体计算公式为：其中，[]为四舍五入取整运算，i为所述当前帧图像中的行，j为所述当前帧图像中的列，L为所述预设边长，Imki，j为所述当前帧图像中第i行和第j列对应的像素点的灰度值。本实施例按照经验值，选取预设边长为151像素，通过四舍五入得到L2＝75，并将降采样处理的倍率、当前帧目标行和当前帧目标列代入上述当前帧准确位置具体计算公式，得到当前帧准确位置CkxCk，yCk为Ck307，215，如图4所示，图4为本实施例中无人机的当前帧准确位置示意图。本实施例S2的原理如下：由于当前帧图像中包含当前帧无人机图像和当前帧背景图像，而当前帧无人机图像和当前帧背景图像相比，像素的灰度值差异较大，特别是当前帧无人机图像的边缘像素点，通过大量实验得到灰度值差异的经验值为15，因此预设经验阈值通常选15；通过对降采样处理后的第一灰度图像进行目标中心的预测，可等效为对当前帧图像中的当前帧预测位置的预测，因此通过对第一灰度图像中每行相邻的两个像素点的灰度值分别做差分和取绝对值处理，并遍历处理后的二维矩阵，则该二维矩阵中大于预设经验阈值的元素个数最多的行必然包含当前帧无人机图像，即可设定为当前帧目标行i0，完成对目标中心的当前帧预测位置的行定位；由于当前帧无人机图像的边缘像素点与当前帧背景图像的像素点差异最大，且当前帧图像中像素点灰度值差异大于预设经验阈值的第一个元素和最后一个元素必然对应为当前帧无人机图像的边缘，因此通过选取该当前帧目标行i0中大于预设经验阈值的第一个元素和最后一个元素分别对应的列j0和j1，并通过平均值法即可确定为当前帧目标列j0+j12，完成对目标中心的当前帧预测位置的列定位；并根据降采样处理的倍率，从而获得当前帧预测位置BH×i0，H×j0+j12；但是该位置仅为当前帧预测位置，需要进一步确定目标中心的当前帧准确位置，因此在当前帧图像中以该预测位置为中心选取预设边长的正方形区域作为无人机的当前帧预测区域，并在该预测区域根据质心计算公式，由当前帧图像中的每一个像素点的灰度值计算出该当前帧预测区域的质心，即为无人机目标中心的当前帧准确位置，其中，预设边长可根据实际情况按照不同的像素数量来选取，根据经验值，预设边长通常选取151像素，即通常按照151像素作为正方形区域的边长来选取当前帧预测区域，并进行计算质心的位置，即为目标中心的当前帧准确位置；通过上述对当前帧目标行、当前帧目标列的定位，初步预测无人机的当前帧预测位置，从而确定无人机的当前帧预测区域，进而便于获取目标中心当前帧准确位置，定位方法简单，定位精度高，且能减轻后续步骤的计算量，能克服复杂的背景环境干扰，满足军事应用上的特殊要求，能广泛用于无人机反制技术领域。优选地，S3的具体步骤包括：S31：计算所述当前帧图像Imk所有像素点的平均灰度值Tk，所述平均灰度值Tk具体计算公式为：S32：：以预设灰度阈值S对所述当前帧图像Imk进行二值化处理，得到所述第二灰度图像Imk2为：本实施例S3的原理如下：由于当前帧目标图像中的无人机图像的像素灰度值比背景图像低，因此可通过当前帧图像所有像素点的平均灰度值作为阈值对无人机图像和背景图像进行二值化处理，将无人机图像和背景图像分割开来，根据经验值，当前帧图像所有像素点的平均灰度值比背景图像的灰度值要低，根据大量实验，低于Tk-20的像素灰度值对应的图像即为无人机图像，高于Tk-20的像素灰度值对应的图像即为背景图像，因此将Tk-20作为预设灰度阈值S对当前帧图像Imk进行二值化处理，并将低于S＝Tk-20的像素灰度值赋值为255，即将当前帧图像中的无人机图像赋值为白色，而将高于S＝Tk-20的像素灰度值赋值为0，即将当前帧图像中的背景图像赋值为黑色背景。通过上述二值化处理，便于将无人机图像和背景图像进行分割，便于后续对无人机的目标要害点进行搜索和精确定位。本实施例根据平均灰度值计算公式得到平均灰度值Tk为126，并以S＝Tk-20＝106的阈值进行二值化处理，得到第二灰度图像Imk2。优选地，所述S4中当所述当前帧图像为所述监控图像的首帧图像时，具体步骤包括：S41：在所述第二灰度图像Imk2中，将以所述当前帧准确位置CkxCk，yCk为圆心、以预设半径长度为搜索半径的圆域分为四个等分的线程，并以所述当前帧准确位置为起点，所述当前帧准确位置的正右方向为起始方向，每隔1°做一条射线，在所述四个等分的线程中进行并行搜索，分别获取所述四个等分的线程中，每条所述射线与所述第二灰度图像的多个交点；S42：遍历每条所述射线上的多个所述交点，将每条所述射线上与距离所述当前帧准确位置最远的所述交点作为所述第二灰度图像Imk2的外边界点，并获取所述外边界点与所述当前帧准确位置之间的距离和方向，记为Drk[θk]，并将所述外边界点与所述当前帧准确位置之间的距离和方向作为所述当前帧可疑域，其中Drk[θk]为θk方向的所述外边界点与所述当前帧准确位置之间的距离，且0°≤θk＜360，θk为整数；如图5所示，图5为本实施例定位方法中圆域搜索示意图；本实施例将以Ck307，215为圆心、以预设半径长度R1＝M4＝160为搜索半径的圆域分为四个等分的线程，包括线程I：0°～90°不包含90°、线程II：90°～180°不包含180°、线程III：180°～270°不包含270°和线程IV：270°～360°不包含360°，以Ck307，215的正右方向为起始方向，每隔1°做一条射线，将整个圆域等分为360份，记θk0°≤θk＜360，θk为整数为射线的方向，则每条射线与第二灰度图像有X个交点，该条射线上距圆心Ck307，215最远的交点记为目标在θk方向上的外边界点，并将该外边界点距离圆心的距离存入数组Drk[θk]中，即目标0°方向的外边界点离圆心的距离存入Drk[0]中，以此类推，θk方向的外边界点离圆心的距离存入Drk[θk]中，Drk[θk]即为当前帧可疑域。S43：计算所述当前帧可疑域中所述外边界点与所述当前帧准确位置之间的距离的极大值，并将其中至少四个最大的所述极大值对应的像素点确定为可疑目标要害点ZkDx，Dy，所述可疑目标要害点ZkDx，Dy的具体计算公式为：本实施例计算所述当前帧可疑域中所述外边界点与所述当前帧准确位置之间的距离的极大值采用的方法是：计算数组Drk[θk]的极大值，设定极大值的计算半径为5，首先将数组Drk[θk]的最左和最右边各补4个0，若Drk[θk]比与它相邻的左右各4个值都要大，记该值为数组Drk[θk]中计算半径为5的极大值点，计算结果如图6所示。其中，选择极大值的计算半径为5可以消除第二灰度图像中个别噪声点的影响，提高后续的定位精度。选取图6中四个最大的极大值对应的像素点作为可疑目标要害点，并可通过上述可疑目标要害点ZkDx，Dy的具体计算公式，计算得到四个可疑目标要害点的位置坐标为Zk1Dx1，Dy1、Zk2Dx2，Dy2、Zk2Dx2，Dy2和Zk4Dx4，Dy4，如图7所示，图7为本实施例定位方法中可疑目标要害点的示意图。S44：比较相邻两个所述可疑目标要害点与所述当前帧准确位置的连线之间夹角的大小，将所述夹角最大对应的两个相邻所述可疑目标要害点确定为所述目标要害点，并获取所述目标要害点对应的位置分别为Zk1Dx1，Dy1和Zk2Dx2，Dy2，以及所述目标要害点对应的方向分别为θk1和θk2。本实施例将Zk1、Zk2、Zk3和Zk4分别向Ck307，215连线，并记这四条线段分别为Lk1、Lk2、Lk3和Lk4，分别计算Lk1与Lk2之间的夹角αk1、Lk2与Lk3之间的夹角αk2、Lk3与Lk4之间的夹角αk3，以及Lk4与Lk1之间的夹角αk4，其中构成最大夹角的两条线段所对应的两个可疑目标要害点即为目标要害点，本实施例四个夹角中αk1＝147°最大，则对应的Zk1351，197和Zk2261，209为目标要害点，且θk1＝21°和θk2＝173°即为目标要害点相对当前帧准确位置目标中心的方向，Drk1[21]＝48、Drk2[173]＝46为目标要害点距离当前帧准确位置目标中心的距离，其中，计算结果均四舍五入取整，如图8所示，图8为本实施例定位方法中目标要害点的示意图。本实施例S41-S44的原理如下：根据经验值，在监控图像的每一帧图像中，无人机有脚架的无人机的其中两个正向的旋翼和两个脚架距离该无人机的目标中心点最远，即距离当前帧准确位置最远，因此需要找到当前帧可疑域中的最远的外边界点，则通过计算外边界点与目标中心的当前帧准确位置之间的距离的极大值，该距离的四个极大值对应的四个外边界点必然包含该无人机的两个正向的旋翼的目标要害点，并可能包含两个脚架的目标要害点，即必然为可疑目标要害点ZkDx，Dy，根据极坐标与直角坐标转换的数学知识，可求得可疑目标要害点的位置坐标和方向；对于无脚架的无人机，获取的四个极大值对应的四个外边界点均应该为该无人机的四个旋翼的目标要害点，且必然包含两个正向的旋翼的目标要害点；根据经验值，由于无人机的目标要害点通常为该无人机的旋翼，且在监控图像中，两个正向旋翼之间的夹角比旋翼与脚架有脚架的无人机之间的夹角通常要大，或者两个正向旋翼之间的夹角比其他相邻旋翼无脚架的无人机之间的夹角要大，因此相邻两个可疑目标要害点与当前帧准确位置的连线之间夹角最大所对应的两个相邻可疑目标要害点必然为该无人机的旋翼，即为目标要害点，并可获取目标要害点对应的位置分别为Zk1Dx1，Dy1和Zk2Dx2，Dy2，以及方向分别为θk1和θk2；通过上述步骤对首帧图像的圆域搜索和计算，可以快速地对无人机的目标要害点进行识别与定位，具有较高的准确率和较低的虚警率。优选地，S4中当所述当前帧图像非所述监控图像的首帧图像时，具体步骤还包括：S45：按照S41～44，获取所述监控图像中所述当前帧图像的上一帧图像Imk-1经过二值化处理后的第三灰度图像Imk-12、所述上一帧图像Imk-1中所述目标中心的上一帧准确位置Ck-1xCk-1，yCk-1以及所述上一帧图像中的上一帧目标要害点的方向θk-11和θk-12；S46：将所述第二灰度图像Imk2与所述第三灰度图像Imk-12进行与运算，得到所述第二灰度图像与所述第三灰度图像的相交图像Pk；并在所述相交图像Pk中，按照S41～42，以所述当前帧准确位置为圆心、以所述预设半径长度的搜索半径和预设扇形角度进行扇形搜索，获取所述当前帧图像中目标要害点的当前帧可疑域S47：按照S43～44，获取所述当前帧图像中对应的多个所述目标要害点的位置分别为Zk1′Dx1，Dy1和Zk2′Dx2，Dy2，以及多个所述目标要害点对应的方向分别为θ′k1和θ′k2。本实施例S45-S47的原理如下：由于监控图像为动态视频图像，通过前述步骤可获得每一帧图像中对应的目标要害点，但是每一帧图像都采用圆域搜索和计算，算法时间相对较长，当当前帧图像不为监控图像的首帧图像，通过前述步骤可以获取到当前帧图像的上一帧图像中的上一帧准确位置Ck-1xCk-1，yCk-1和上一帧目标要害点的方向θk-11和θk-12，以及当前帧图像的当前帧准确位置，且由于监控录像由高速相机捕捉，根据经验值，高速相机捕捉的监控录像的每一帧之间的时间极短，每一帧的目标要害点的位置变化不会超过15°的范围，因此以当前帧准确位置为圆心，以上一帧目标要害点的方向为依据而预设的扇形角度来进行扇形搜索，确定当前帧的目标要害点，可以大大减少搜索范围和搜索时间，减少算法所占内存，提高定位速度，且依据上一帧目标要害点获得的当前帧目标要害点的精度更高；其中，在进行扇形搜索时，将上一帧图像经过二值化处理的第三灰度图像与当前帧图像的第二灰度图像进行与运算，可以获得前后两帧图像相交后的子图像，即相交图像Pk，通过在相交图像Pk中进行扇形搜索，可以保证得到的当前帧可疑域更准确，便于后续计算目标要害点位置更精确；通过上述步骤，可以满足高帧频、宽幅面、复杂背景的无人机目标要害点的实时检测，满足军事应用下的一些特殊要求，且定位精度高，速度快，算法简单、占用资源相对较少，可以广泛应用无人机反制技术领域。本实施例以S44步骤所得目标要害点作为上一帧的目标要害点，并将后一帧图像作为当前帧图像，以S44步骤所得的上一帧的目标要害点为基础，来对当前帧图像进行目标要害点的定位，则本实施例通过S44步骤的方法得到上一帧目标要害点的方向为θk-11＝21°和θk-12＝173°，并通过上述S25所述的方法得到当前帧准确位置为Ck′305，213；且通过上述S32步骤同样的方法获得的当前帧图像对应的第二灰度图像和上一帧图像对应的第三灰度图像，进行与运算，获得相交图像Pk，并在该相交图像Pk中，以Ck′305，213为圆心、以R1＝M4＝160为搜索半径、扇形角度θ′kθk-11-15°≤θ′k≤θk-11+15°，θk-12-15°≤θ′k≤θk-12+15°为6°≤θ′k≤36°，158°≤θ′k≤188°进行扇形搜索，以Ck′为起点，以6°为起始方向，在扇形角度内每隔1°做一条射线，按照S41～S42类似的方法获得当前帧可疑域再按照S43～S44同样的方法，获得当前帧图像对应的目标要害点的位置分别为Zk1′351，196和Zk2′260，208，对应的方向为θ′k1＝20°和θ′k2＝175°。本发明中采用Ti的基于Keystone的多核固定浮点数字信号处理器，DSP集成C66xCorePac，每个核心在1至1.25GHz到10GHz的运行，且该芯片的硬件配置可采用如下方法：1TMS320C6678读入的监控图像首先存入4M多核共享内存中，同时在预编译时，在多核共享内存中开辟好算法中间结果所占用的空间；2TMS320C6678采用OpenMP的并行机制，所有线程的调度均采用动态调度方式；3在cmd文件中对程序段进行内存空间分配，将可执行代码及常数、初始化表、全局及静态常量、跳转表、栈、C输入输出缓存，均放在L2RAM中。实施例二、如图9所示，本实施例一种无人机目标要害点实时定位系统的结构示意图。一种无人机目标要害点实时定位系统，包括监控单元11、降采样处理单元12、运算单元13、二值化处理单元14和搜索单元15；所述监控单元11，用于获取无人机的监控图像；所述降采样处理单元12，用于根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像；所述运算单元13，用于根据所述第一灰度图像获取所述无人机的目标中心的当前帧预测位置，并根据所述当前帧预测位置计算所述目标中心的当前帧准确位置；所述二值化处理单元14，用于对所述当前帧图像进行二值化处理，得到第二灰度图像；所述搜索单元15，用于在所述第二灰度图像中，根据所述当前帧准确位置确定所述当前帧图像中目标要害点的当前帧可疑域；所述运算单元13还用于根据所述当前帧可疑域和所述当前帧准确位置，确定所述无人机的多个目标要害点位置。本发明的无人机目标要害点实时定位系统，通过监控单元、降采样处理单元和运算单元，获取当前帧图像的当前帧预测位置，便于后续通过运算单元根据当前帧预测位置获取目标中心的当前帧准确位置，减少算法时间和占用的资源，定位精度较高；再通过二值化处理单元、搜索单元和运算单元搜索当前帧可疑域，并通过运算单元根据当前帧准确位置和当前帧可疑域，确定多个目标要害点位置。本发明基于图像处理的目标要害点定位系统，可以对无人机的目标要害点进行实时识别与定位，且具有较高的准确率和较低的虚警率，满足多旋翼的高帧频处理和复杂背景识别的要求，能满足军事应用上的一些特殊要求，能广泛用于无人机反制技术领域，保障国家和人民的生命和财产安全。实施例三、基于实施例一和实施例二，本发明还公开了一种无人机目标要害点实时定位系统，如图10所示，图10为本发明另一种无人机目标要害点实时定位系统的结构示意图，包括处理器100、存储器200和存储在所述存储器200中且可运行在所述处理器100上的计算机程序300，所述计算机程序300运行时实现以下具体步骤：S1：获取无人机的监控图像，根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像；S2：根据所述第一灰度图像获取所述无人机的目标中心的当前帧预测位置，并根据所述当前帧预测位置计算所述目标中心的当前帧准确位置；S3：对所述当前帧图像进行二值化处理，得到第二灰度图像；S4：在所述第二灰度图像中，根据所述当前帧准确位置确定所述当前帧图像中目标要害点的当前帧可疑域；并根据所述当前帧可疑域和所述当前帧准确位置，确定所述无人机的多个目标要害点位置。通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明的无人机目标要害点实时定位系统，可以对无人机的目标要害点进行实时识别与定位，且具有较高的准确率和较低的虚警率，满足多旋翼的高帧频处理和复杂背景识别的要求，能满足军事应用上的一些特殊要求，能广泛用于无人机反制技术领域，保障国家和人民的生命和财产安全。本发明还提供一种存储介质，所述存储介质上存储有至少一个指令，所述指令被执行时实现所述S1-S4的具体步骤。通过执行包含至少一个指令的存储介质，实现本发明的无人机目标要害点实时定位，可以对无人机的目标要害点进行实时识别与定位，且具有较高的准确率和较低的虚警率，满足多旋翼的高帧频处理和复杂背景识别的要求，能满足军事应用上的一些特殊要求，能广泛用于无人机反制技术领域，保障国家和人民的生命和财产安全。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

权利要求：1.一种无人机目标要害点实时定位方法，其特征在于，包括以下步骤：步骤1：获取无人机的监控图像，根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像；步骤2：根据所述第一灰度图像获取所述无人机的目标中心的当前帧预测位置，并根据所述当前帧预测位置计算所述目标中心的当前帧准确位置；步骤3：对所述当前帧图像进行二值化处理，得到第二灰度图像；步骤4：在所述第二灰度图像中，根据所述当前帧准确位置确定所述当前帧图像中目标要害点的当前帧可疑域；并根据所述当前帧可疑域和所述当前帧准确位置，确定所述无人机的多个目标要害点位置。2.根据权利要求1所述的一种无人机目标要害点实时定位方法，其特征在于，所述步骤1中，根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像具体包括：选取所述监控图像中的任一帧作为所述当前帧图像Imk，且所述当前帧图像Imk的大小为M×N，采用隔点法对所述当前帧图像Imk的行和列分别进行降采样处理，得到所述第一灰度图像Imk1，其中，M和N分别指所述当前帧图像Imk的行和列分别对应的像素点的数量。3.根据权利要求2所述的一种无人机目标要害点实时定位方法，其特征在于，所述步骤2的具体步骤包括：步骤21：将所述第一灰度图像中每行相邻的两个像素点的灰度值分别做差分和取绝对值处理，得到二维矩阵A；步骤22：逐行遍历所述二维矩阵A，统计所述二维矩阵A中大于预设经验阈值的元素个数Ai，并选取所述元素个数Ai的最大值对应的行作为所述第一灰度图像的当前帧目标行i0；步骤23：根据所述当前帧目标行i0中大于所述预设经验阈值的第一个元素和最后一个元素分别对应的列j0和j1，确定所述第一灰度图像的当前帧目标列j0+j12；步骤24：根据所述当前帧目标行i0和所述当前帧目标列j0+j12确定所述当前帧预测位置为BH×i0,H×j0+j12；其中，H为降采样处理的倍率；步骤25：在所述当前帧图像Imk中，选取以所述当前帧预测位置B为中心，以预设边长的正方形区域计算所述当前帧准确位置CkxCk,yCk,所述当前帧准确位置CkxCk,yCk具体计算公式为：其中，[]为四舍五入取整运算，i为所述当前帧图像中的行，j为所述当前帧图像中的列，L为所述预设边长，Imki,j为所述当前帧图像中第i行和第j列对应的像素点的灰度值。4.根据权利要求3所述的一种无人机目标要害点实时定位方法，其特征在于，所述步骤3的具体步骤包括：步骤31：计算所述当前帧图像Imk所有像素点的平均灰度值Tk，所述平均灰度值Tk具体计算公式为：步骤32：:以预设灰度阈值S对所述当前帧图像Imk进行二值化处理，得到所述第二灰度图像Imk2为：5.根据权利要求4所述的一种无人机目标要害点实时定位方法，其特征在于，所述步骤4中，当所述当前帧图像为所述监控图像的首帧图像时，具体步骤包括：步骤41：在所述第二灰度图像Imk2中，将以所述当前帧准确位置CkxCk,yCk为圆心、以预设半径长度为搜索半径的圆域分为四个等分的线程，并以所述当前帧准确位置为起点，所述当前帧准确位置的正右方向为起始方向，每隔1°做一条射线，在所述四个等分的线程中进行并行搜索，分别获取所述四个等分的线程中，每条所述射线与所述第二灰度图像的多个交点；步骤42：遍历每条所述射线上的多个所述交点，将每条所述射线上与距离所述当前帧准确位置最远的所述交点作为所述第二灰度图像Imk2的外边界点，并获取所述外边界点与所述当前帧准确位置之间的距离和方向，记为Drk[θk]，并将所述外边界点与所述当前帧准确位置之间的距离和方向作为所述当前帧可疑域，其中Drk[θk]为θk方向的所述外边界点与所述当前帧准确位置之间的距离，且0°≤θk＜360，θk为整数；步骤43：计算所述当前帧可疑域中所述外边界点与所述当前帧准确位置之间的距离的极大值，并将其中至少四个最大的所述极大值对应的像素点确定为可疑目标要害点ZkDx,Dy，所述可疑目标要害点ZkDx,Dy的具体计算公式为：步骤44：比较相邻两个所述可疑目标要害点与所述当前帧准确位置的连线之间夹角的大小，将所述夹角最大对应的两个相邻所述可疑目标要害点确定为所述目标要害点，并获取所述目标要害点对应的位置分别为Zk1Dx1,Dy1和Zk2Dx2,Dy2，以及所述目标要害点对应的方向分别为θk1和θk2。6.根据权利要求5所述的一种无人机目标要害点实时定位方法，其特征在于，所述步骤4中,当所述当前帧图像非所述监控图像的首帧图像时，具体步骤还包括：步骤45：按照步骤41～44，获取所述监控图像中所述当前帧图像的上一帧图像Imk-1经过二值化处理后的第三灰度图像Imk-12、所述上一帧图像Imk-1中所述目标中心的上一帧准确位置Ck-1xCk-1,yCk-1以及所述上一帧图像中的上一帧目标要害点的方向θk-11和θk-12；步骤46：将所述第二灰度图像Imk2与所述第三灰度图像Imk-12进行与运算，得到所述第二灰度图像与所述第三灰度图像的相交图像Pk；并在所述相交图像Pk中，按照步骤41～42，以所述当前帧准确位置为圆心、以所述预设半径长度为搜索半径和预设扇形角度进行扇形搜索，获取所述当前帧图像中目标要害点的当前帧可疑域Drk′[θk′]；步骤47：按照步骤43～44，获取所述当前帧图像中对应的多个所述目标要害点的位置分别为Zk1′Dx1,Dy1和Zk2′Dx2,Dy2，以及多个所述目标要害点对应的方向分别为θ′k1和θ′k2。7.根据权利要求6所述的一种无人机目标要害点实时定位方法，其特征在于，所述预设半径长度为R1＝M4，所述预设扇形角度θ′k为θk-11-15°≤θ′k≤θk-11+15°,θk-12-15°≤θ′k≤θk-12+15°，θ′k为整数。8.一种无人机目标要害点实时定位系统，其特征在于，包括监控单元、降采样处理单元、运算单元、二值化处理单元和搜索单元；所述监控单元，用于获取无人机的监控图像；所述降采样处理单元，用于根据所述监控图像选取当前帧图像，并对所述当前帧图像进行降采样处理，得到第一灰度图像；所述运算单元，用于根据所述第一灰度图像获取所述无人机的目标中心的当前帧预测位置，并根据所述当前帧预测位置计算所述目标中心的当前帧准确位置；所述二值化处理单元，用于对所述当前帧图像进行二值化处理，得到第二灰度图像；所述搜索单元，用于在所述第二灰度图像中，根据所述当前帧准确位置确定所述当前帧图像中目标要害点的当前帧可疑域；所述运算单元还用于根据所述当前帧可疑域和所述当前帧准确位置，确定所述无人机的多个目标要害点位置。9.一种无人机目标要害点实时定位系统，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1-7任一项权利要求所述的步骤。10.一种存储介质，其特征在于，所述存储介质包括：至少一个指令，在所述指令被执行时实现如权利要求1-7任一项所述的步骤。

百度查询： 武汉工程大学 一种无人机目标要害点实时定位方法、系统及存储介质