本發(fā)明涉及圖像處理、計算機視覺及腦神經(jīng)科學技術領域，具體而言，涉及了運動檢測方法及躲避和跟蹤運動目標的方法。

背景技術：

對運動目標的檢測，是計算機視覺領域主要研究的問題之一。根據(jù)基本原理和思想，與運動檢測相關的計算機方法主要分為以下三類：

(1)幀間差分法。即：對視頻圖像序列中相鄰的兩幀之間做差分運算，從而根據(jù)圖像序列灰度值的變化來分析圖像序列的運動特性，發(fā)現(xiàn)運動的目標。該方法實現(xiàn)簡單，但不能檢測速度過慢或過快的目標，并且要求背景相對簡單，不能出現(xiàn)劇烈或迅速的變化。

(2)光流法。其中，光流是將三維空間中目標和場景投影到二維空間，從而表現(xiàn)為二維圖像序列中亮度模式的流動。光流法的研究正是利用圖像序列中像素灰度值的時序變化和相關性來確定空間各像素點所發(fā)生的運動。光流矢量則定義為圖像所在二維空間坐標系上各點灰度值的瞬時變化率。該方法適用于背景復雜且不斷變化的場景，并且不需要預先訓練。而缺點是計算量比較大，且計算的結果易受光照影響。

(3)背景去除法。這一類算法通常假定背景復合某一規(guī)律的模型。在算法中，首先設法估計出模型的參數(shù)，從而重建出每一幀的背景。再用序列中的每一幀對背景進行差分，從而獲得前景的內(nèi)容，進一步分析和判斷前景的運動。該方法在背景符合某一分布時能起到很好的效果。而在背景復雜且分布情況未知或難以用模型描述時，該方法并不適用。

這些方法和真正生物學大腦對運動的檢測存在著很大的區(qū)別?？陀^的講，所有的這些算法都不能和真正意義上的生物大腦相比。首先，這些算法都存在一定的適用條件，例如，幀間差分法需要假定背景簡單且不能出現(xiàn)明顯的運動，背景去除法需要假定背景符合某一形式的分布，而真實的情況往往發(fā)生在這些假設條件之外。相比之下，真正的生物大腦則能夠適應各種環(huán)境，不需要這些特殊的假設條件。其次，計算機算法往往在處理時間上要遜色于真實的生物大腦。以光流法為例，為了檢測運動，往往需要非常復雜的運算。而以人為例，經(jīng)驗告訴我們，往往只需要“看一眼”，就可以感知運動的目標及形式。再有，機器算法的處理結果通常伴隨著一定的錯誤發(fā)生，而真實的生物大腦處理結果，錯誤的發(fā)生的機率很低。

有鑒于此，特提出本發(fā)明。

技術實現(xiàn)要素：

為了解決現(xiàn)有技術中的上述問題，即為了解決如何準確地對特定方向、特定速度的運動做出響應的技術問題而提供了運動檢測方法及躲避和跟蹤運動目標的方法。

為了實現(xiàn)上述目的，一方面，提供了以下技術方案：

一種運動檢測方法，所述方法包括：

獲取圖像序列；

確定所述圖像序列中運動目標在三維時空空間中不同三維時空方向?qū)倪\動響應；

對所述運動目標在所述三維時空空間中所述不同三維時空方向?qū)乃鲞\動響應進行投影，采用空間平面上最大化投影方法，得到所述運動目標的最大空間運動響應；

基于所述運動目標的所述最大空間運動響應，采用所有空間方向上最大化空間運動響應的方法，得到所述運動目標的方位。

為了實現(xiàn)上述目的，另一方面，還提供一種運動檢測方法，所述方法包括：

獲取腦圖像序列；

對V1腦區(qū)進行處理，獲得所述腦圖像序列中運動目標在三維時空空間中不同三維時空方向?qū)倪\動響應；

基于對所述V1腦區(qū)進行處理獲得的所述運動響應，對MT/MST腦區(qū)的運動神經(jīng)元進行投影，采用空間平面上最大化投影放電頻率的方法確定最大運動響應；

基于所述最大運動響應，采用所有空間方向上最大化放電頻率的方法對LIP腦區(qū)的運動決策功能進行處理，得到所述運動目標的方位。

進一步地，所述對V1腦區(qū)進行處理，獲得所述腦圖像序列中運動目標在三維時空空間中不同三維時空方向?qū)倪\動響應，具體包括：

根據(jù)下式確定所述運動響應代表的速度和方向：

其中，dx、dy、dt表示神經(jīng)元在所述三維時空空間中的一響應方向，對應在單位球面的坐標；所述v表示所述運動響應代表的速度；所述θ表示所述運動響應代表的方向；

根據(jù)下式建立神經(jīng)元模型：

其中，所述表示興奮電導；所述t表示時間；所述G(x,y)表示高斯核；σ表示高斯核函數(shù)參數(shù)；(x,y)表示感受野中心位置；*表示卷積運算；所述P_c(t)和所述P_s(t)表示時間的函數(shù)；所述f(v)表示頻率為速度的函數(shù)，所述d(x,y,θ)表示感受野中心位置在θ方向角上的投影；所述C表示細胞膜電容；所述V表示神經(jīng)元膜電位；所述Gⁱ(x，y，t)表示抑制電導；所述E^e表示興奮平衡電位；所述Eⁱ表示抑制平衡電位；g^l表示漏電電導；

利用所述神經(jīng)元模型計算所述神經(jīng)元的放電頻率，從而獲得所述神經(jīng)元在任一方向和速度上的運動響應；

根據(jù)所述神經(jīng)元在任一方向和速度上的所述運動響應，獲得所述圖像序列中所述運動目標在所述三維時空空間中所述不同三維時空方向?qū)乃鲞\動響應。

進一步地，所述基于所述最大運動響應，采用所有空間方向上最大化放電頻率的方法對LIP腦區(qū)的運動決策功能進行處理，得到所述運動目標的方位，具體包括：

基于所述最大運動響應，采用所有空間方向上最大化放電頻率的方法，確定所述運動目標的位置；

通過所述最大運動響應，根據(jù)下式確定所述運動目標的運動方向：

其中，所述θ表示所述運動目標的所述運動方向；所述v_θ(x，y，t)表示最大運動響應。

進一步地，在所述獲取腦圖像序列之后，所述運動檢測方法還包括：

利用空間高斯濾波方法將所述圖像序列中的每一幀處理成多個不同尺度的圖像。

為了實現(xiàn)上述目的，再一方面，還提供一種躲避和跟蹤運動目標的方法，包括：

獲取三維場景圖像；

基于所述三維場景圖像，利用雙目視差的方法，生成三維深度圖像；

對所述三維深度圖像進行投影，得到二維圖像；

采用如權利要求1-5中任一所述的運動檢測方法對所述二維圖像進行處理，確定所述運動目標在水平面的運動方向，從而實現(xiàn)對所述運動目標的躲避和跟蹤。

進一步地，所述雙目視差方法采用雙目圖像獲取裝置；所述基于所述三維場景圖像，利用雙目視差的方法，生成三維深度圖像，具體包括：

獲取所述雙目圖像獲取裝置的變換參數(shù)；

基于所述三維場景圖像，根據(jù)雙目視差算法，獲得所述三維場景圖像中的所述運動目標，所述運動目標具有不同的視差；

將所述運動目標的所述視差確定為所述運動目標的深度，從而得到所述三維深度圖像。

本發(fā)明實施例提供一種運動檢測方法。該方法包括：獲取圖像序列；確定圖像序列中運動目標在三維時空空間中不同三維時空方向?qū)倪\動響應；對運動目標在所述三維時空空間中不同三維時空方向?qū)倪\動響應進行投影，采用空間平面上最大化投影方法，得到運動目標的最大空間運動響應；基于運動目標的最大空間運動響應，采用所有空間方向上最大化空間運動響應的方法，得到運動目標的方位。本發(fā)明實施例通過采用上述技術方案解決了如何準確地對特定方向、特定速度的運動做出響應的技術問題，實現(xiàn)了整體的運動處理流程。

附圖說明

為了描述本發(fā)明的上述優(yōu)點和特征，將通過引用附圖中的具體實例來輔助說明本發(fā)明的詳細內(nèi)容。這些附圖僅為本發(fā)明的典型實例的描述，而非對本發(fā)明的限制。任何以其他形式表達本發(fā)明步驟或內(nèi)容的附圖都應屬于本發(fā)明范圍內(nèi)。

圖1是根據(jù)本發(fā)明實施例的運動檢測方法的流程示意圖；

圖2是根據(jù)本發(fā)明另一實施例的運動檢測方法的流程示意圖；

圖3是根據(jù)本發(fā)明實施例的時空空間響應的示意圖；

圖4是根據(jù)本發(fā)明實施例的投影的原理示意圖；

圖5a是根據(jù)本發(fā)明實施例的圖像序列中的第10幀示意圖；

圖5b是根據(jù)本發(fā)明實施例的針對圖5a的第二尺度圖像示意圖；

圖5c是根據(jù)本發(fā)明實施例的針對圖5a的第三尺度圖像示意圖；

圖5d是根據(jù)本發(fā)明實施例的圖像序列中的第20幀示意圖；

圖5e是根據(jù)本發(fā)明實施例的針對圖5d的第二尺度圖像示意圖；

圖5f是根據(jù)本發(fā)明實施例的針對圖5d的第三尺度圖像示意圖；

圖5g是根據(jù)本發(fā)明實施例的圖像序列中的第30幀示意圖；

圖5h是根據(jù)本發(fā)明實施例的針對圖5g的第二尺度圖像示意圖；

圖5i是根據(jù)本發(fā)明實施例的針對圖5g的第三尺度圖像示意圖；

圖6a是根據(jù)本發(fā)明實施例的圖像序列中第25幀的示意圖；

圖6b是根據(jù)本發(fā)明實施例的圖像序列中第30幀的示意圖；

圖6c是根據(jù)本發(fā)明實施例的圖像序列中第40幀的示意圖；

圖6d是根據(jù)本發(fā)明實施例的圖像序列中第25幀的檢測結果示意圖；

圖6e是根據(jù)本發(fā)明實施例的圖像序列中第30幀的檢測結果示意圖；

圖6f是根據(jù)本發(fā)明實施例的圖像序列中第40幀的檢測結果示意圖；

圖7是根據(jù)本發(fā)明實施例的躲避和跟蹤運動目標的方法的流程示意圖；

圖8a1是根據(jù)本發(fā)明實施例的無人機采集到的場景中運動目標靠后的左視圖；

圖8a2是根據(jù)本發(fā)明實施例的無人機采集到的場景中運動目標靠后的校正后的右視圖；

圖8a3是根據(jù)本發(fā)明實施例的圖a1和a2的視差圖；

圖8a4是根據(jù)本發(fā)明實施例的針對圖a1的投影到水平面后的投影圖；

圖8b1是根據(jù)本發(fā)明實施例的無人機采集到的場景中運動目標靠前的左視圖；

圖8b2是根據(jù)本發(fā)明實施例的無人機采集到的場景中運動目標靠前的校正后的右視圖；

圖8b3是根據(jù)本發(fā)明實施例的圖b1和b2的視差圖；

圖8b4是根據(jù)本發(fā)明實施例的針對圖b1的投影到水平面后的投影圖；

圖8c1是根據(jù)本發(fā)明實施例的無人機采集到的場景中運動目標偏左的左視圖；

圖8c2是根據(jù)本發(fā)明實施例的無人機采集到的場景中運動目標偏左的校正后的右視圖；

圖8c3是根據(jù)本發(fā)明實施例的圖c1和c2的視差圖；

圖8c4是根據(jù)本發(fā)明實施例的針對圖c1的投影到水平面后的投影圖；

圖8d1是根據(jù)本發(fā)明實施例的無人機采集到的場景中運動目標偏右的左視圖；

圖8d2是根據(jù)本發(fā)明實施例的無人機采集到的場景中運動目標偏右的校正后的右視圖；

圖8d3是根據(jù)本發(fā)明實施例的圖d1和d2的視差圖；

圖8d4是根據(jù)本發(fā)明實施例的針對圖d1的投影到水平面后的投影圖。

具體實施方式

下面參照附圖來描述本發(fā)明的優(yōu)選實施方式。本領域技術人員應當理解的是，這些實施方式僅僅用于解釋本發(fā)明的技術原理，并非旨在限制本發(fā)明的保護范圍。

本發(fā)明實施例的基本思想是從生物學原理出發(fā)，探索對運動目標檢測的方法，使其更符合真實的生物學大腦，從而提高處理結果的性能。本發(fā)明實施例可以用于無人機視覺信息處理，包括但不限于無人機對運動目標/障礙物的自動躲避和跟蹤。

本發(fā)明實施例提供一種運動檢測方法。如圖1所示，該方法可以包括：

S100：獲取圖像序列。

S110：確定圖像序列中運動目標在三維時空空間中不同三維時空方向?qū)倪\動響應。

S120：對運動目標在三維時空空間中不同三維時空方向?qū)倪\動響應進行投影，采用空間平面上最大化投影方法，得到運動目標的最大空間運動響應。

S130：基于運動目標的最大空間運動響應，采用所有空間方向上最大化空間運動響應的方法，得到運動目標的方位。

通過上述技術方案，能夠準確地對特定方向、特定速度的運動做出響應。

受生物學大腦原理的啟發(fā)，本發(fā)明實施例還提供一種運動檢測方法。如圖2所示，該方法可以包括：

S200：獲取腦圖像序列。

其中，腦圖像序列可以是視頻中的圖像序列。

S210：對V1腦區(qū)進行處理，獲得腦圖像序列中運動目標在三維時空空間中不同三維時空方向?qū)倪\動響應。

神經(jīng)生物學的研究成果表明，V1腦區(qū)中的每一個運動神經(jīng)元，都只有對特定的時空方向的運動產(chǎn)生最大的響應。整個腦區(qū)的所有運動神經(jīng)元可以看成具備不同時空方向響應的功能單元的集合。因此，在建立V1腦區(qū)運動神經(jīng)元模型時，可考慮對單位球面進行采樣。對感受野中心位置為的神經(jīng)元，它獲得的最大響應可能為單位球面上的任何一個方向。

圖3示例性地示出了時空空間響應的示意圖。其中，dx和dy分別表示圖像序列中二維圖像空間的兩個方向；dt表示時間的變化，在圖像序列中表示為對應的幀。這三個坐標軸構成了時空三維空間。圖3中單位球面上的三個點S₁、S₂和S₃代表了三個不同的時空方向。當只考慮方向時，單位球面上的點集可以表示所有的時空方向。

具體地，本步驟可以包括：

S211：根據(jù)下式確定運動響應代表的速度和方向：

其中，(dx,dy,dt)表示神經(jīng)元在三維時空空間中的一個響應方向，對應在單位球面的坐標；v表示運動響應代表的速度；θ表示運動響應代表的方向。

S212：根據(jù)下式建立神經(jīng)元模型：

其中，表示興奮電導；t表示時間；G(x,y)表示高斯核；σ表示高斯核函數(shù)參數(shù)；(x,y)表示感受野中心位置；*表示卷積運算；P_c(t)和)P_s(t)表示時間的函數(shù)，與神經(jīng)元的延時有關；f(v)表示頻率為速度的函數(shù)，d(x,y,θ)表示感受野中心位置在θ方向角上的投影；C表示細胞膜電容；V表示神經(jīng)元膜電位；Gⁱ(x，y，t)表示抑制電導；E^e表示興奮平衡電位；Eⁱ表示抑制平衡電位；g^l表示漏電電導。

根據(jù)計算神經(jīng)學的技術知識，本領域技術人員可知興奮電導的最大響應發(fā)生在正弦和余弦兩個相位處，因而興奮電導又分為正弦和余弦兩個部分的疊加。

S213：利用上述神經(jīng)元模型計算神經(jīng)元的放電頻率，從而獲得神經(jīng)元在任一方向和速度上的運動響應。

上述神經(jīng)元模型為放電模型(即電導隨時空變化的集成-放電模型)，當神經(jīng)元膜電位大于神經(jīng)元膜電位閾值時，上述神經(jīng)元模型產(chǎn)生放電脈沖。在實際計算中，通過該模型計算神經(jīng)元的放電頻率v_v，θ(x，y，t)，該放電頻率表示神經(jīng)元對θ方向和速度上的運動響應大小。

S214：根據(jù)神經(jīng)元在任一方向和速度上的運動響應，獲得圖像序列中運動目標在三維時空空間中不同三維時空方向?qū)倪\動響應。

通過上述神經(jīng)元模型可以確定對特定方和速度產(chǎn)生最大響應的神經(jīng)元。由于V1腦區(qū)中的運動感知部分是由無數(shù)具有這樣特性的神經(jīng)元構成的，所以，只要采樣充分，就可獲得對視頻圖像序列中各個運動目標不同方向、不同速度的運動響應。

S220：基于對V1腦區(qū)進行處理獲得的運動響應，對MT/MST腦區(qū)的運動神經(jīng)元進行投影，采用空間平面上最大化投影放電頻率的方法確定最大運動響應。

神經(jīng)科學研究成果表明MT/MST腦區(qū)運動神經(jīng)元接受來自V1腦區(qū)相應神經(jīng)元的輸入。與V1腦區(qū)的神經(jīng)元相比，MT/MST腦區(qū)的運動神經(jīng)元通常具備更大的感受野，可以對更大速度范圍的運動做出相應。

對感受野中心位置為(x,y,t)的神經(jīng)元，MT/MST腦區(qū)接收來自V1腦區(qū)的具備方向和速度為(v，θ)的輸出，其具體表現(xiàn)形式為放電頻率v_v，θ(x，y，t)。出于簡化但不失為科學性的考量，本發(fā)明實施例將放電頻率處理為只和運動方向有關，其表示為v_θ(x，y，t)，即為在θ方向上的運動響應的最大頻率，即：

圖4示例性地示出了投影的原理示意圖。其中，S₁、S₂和S₃對應V1區(qū)不同運動神經(jīng)元三個不同的時空方向。將它們投影到dx-dy平面上獲得它們在二維空間中的運動方向，從而和運動的速度無關。其中S₁’、S₂’和S₃’分別為S₁、S₂、S₃對應的在空間平面內(nèi)的投影。

本步驟通過將MT/MST腦區(qū)的運動神經(jīng)元進行在V1腦區(qū)神經(jīng)元在運動平面方向上的投影的處理，而且該MT/MST腦區(qū)的神經(jīng)元具備對特定方向的運動產(chǎn)生最大響應的能力，從而簡化了MT/MST腦區(qū)的處理過程，提高了運動檢測的效率。

S230：基于最大運動響應，采用所有空間方向上最大化放電頻率的方法對LIP腦區(qū)的運動決策功能進行處理，得到運動目標的方位。

具體地，本步驟可以包括：

S231：基于最大運動響應，采用所有空間方向上最大化放電頻率的方法，確定運動目標的位置。

作為示例，對感受野中心位置為(x,y,t)的神經(jīng)元，在該位置的最大運動響應，即放電頻率為：從而得到運動目標的位置。

S232：通過最大運動響應，根據(jù)下式可以確定運動目標的運動方向：

其中，θ表示運動目標的運動方向；v_θ(x，y，t)表示最大運動響應。

真實的生物意義上的決策可以獲得運動目標的位置以及方向等信息。但是，在運動檢測問題中，一般只關心運動目標出現(xiàn)的具體位置。對于視頻圖像序列的每一幀，各空間位置上的最大運動響應能夠表示該位置運動的強弱，因此在輸出視頻圖像序列中各空間位置的最大響應，即放電頻率，也即可表示該位置發(fā)生的運動信息。具備放電頻率大的那些空間位置，則為發(fā)生運動的那些位置。

與當前計算機視覺和機器學習領域廣泛流行的人工神經(jīng)網(wǎng)絡相比，脈沖神經(jīng)網(wǎng)絡更符合大腦處理問題的原理。本發(fā)明實施例根據(jù)大腦處理運動問題的原理，并借鑒了神經(jīng)科學的模型(例如：脈沖神經(jīng)網(wǎng)絡模型)，從模擬各個腦區(qū)入手，通過實現(xiàn)各個腦區(qū)的功能，實現(xiàn)了整體的運動處理流程。更符合大腦處理運動問題的機制，更能夠準確地對特定方向、特定速度的運動做出響應，完全符合生物學大腦的特點。

為了充分發(fā)掘或突出輸入圖像序列中不同細節(jié)程度的運動目標，從而檢測出不同細節(jié)的目標所對應的運動，可以對圖像序列進行預處理。

為此，在一個優(yōu)選的實施例中，本發(fā)明實施例提供的方法在步驟S200之后還可以包括：

利用空間高斯濾波方法將圖像序列中的每一幀處理成多個不同尺度的圖像。

優(yōu)選地，本步驟可以通過一下公式對圖像序列中的每一幀進行處理：

I₁＝I；I₂＝I₁*G(x，y)；I₃＝I₂*G(x，y)；

其中，I表示原始圖像；I_n-1表示第(n-1)尺度圖像；I_n表示第n尺度圖像；*表示卷積運算；G(x,y)表示高斯核；σ表示高斯核函數(shù)參數(shù)。

圖5a-5i示例性地示出了預處理結果示意圖。其中的圖5a、5d和5g分別示出了圖像序列中的第10幀、20幀和30幀。經(jīng)過預處理將每一幀對應的圖像生成三個不同的尺度。其中圖5a、5d和5g為第一尺度圖像(即未經(jīng)處理的原圖像)。圖5b、5e和5h為第二尺度圖像，圖5c、5f和5i為第三尺度圖像，第一尺度圖像、第二尺度圖像、第三尺度圖像依次增大。從該實例中可以看到，隨著尺度的逐漸增大，一些細小的目標逐漸在圖像序列中消失，而圖像中只保留了一些具有大尺度的目標。

圖6a-6f示例性地示出了一個場景下的檢測結果示意圖。圖6a示例性地示出了圖像序列中第25幀的示意圖。圖6b示例性地示出了圖像序列中第30幀的示意圖。圖6c示例性地示出了圖像序列中第40幀的示意圖。圖6d示例性地示出了圖像序列中第25幀的檢測結果示意圖。圖6e示例性地示出了圖像序列中第30幀的檢測結果示意圖。圖6f示例性地示出了圖像序列中第40幀的檢測結果示意圖。其中，辦公室中的兩個人為需要檢測的運動目標。根據(jù)結果，在各幀中人對應的位置處均具備充分的放電頻率，也就是說具備較大的運動響應。這說明本發(fā)明實施例提供的運動檢測能夠在實際場景中發(fā)揮效果。

一般的二維視頻圖像序列僅能夠檢測在平面內(nèi)的運動響應。而無人機遇到的真實目標則在三維空間內(nèi)運動。為了使本發(fā)明實施例能夠應用到無人機的具體場景，本發(fā)明實施例還提供一種躲避和跟蹤運動目標的方法。所述方法應用于無人機。如圖7所示，該方法可以包括：

S300：獲取三維場景圖像，其中，該三維場景圖像包括運動目標。

S310：基于三維場景圖像，利用雙目視差的方法，生成三維深度圖像。

具體地，本步驟可以包括：

S311：獲取雙目圖像獲取裝置的變換參數(shù)。

其中，雙目圖像獲取裝置例如可以為雙目攝像頭或雙目照相機。以雙目攝像頭為例，變換參數(shù)可以為兩個攝像頭之間的變換參數(shù)。

S312：基于三維場景圖像，根據(jù)雙目視差算法，獲得三維場景圖像中的運動目標，該運動目標具有不同的視差。

S313：將該運動目標的視差確定為運動目標的深度，從而得到三維深度圖像。

其中，根據(jù)幾何原理，不同深度的目標會產(chǎn)生不同程度的視差偏移。所以，目標的視差可以看作是對應的深度。

在一些優(yōu)選地實施方式中，在步驟S311之后，還可以包括：根據(jù)變換參數(shù)對三維場景圖像進行校正。

S320：對三維深度圖像進行投影，得到二維圖像。

考慮到諸如無人機等設備在執(zhí)行躲避/跟蹤目標的任務中，一般只執(zhí)行前、后、左、右四個方向的運動，也就是在和地面平行的平面里進行決策操作；故把場景投影在和地面平行的平面里，例如，可以設置x軸表示目標的左右位置，而y軸表示目標的對應深度。

S330：采用上述運動檢測方法對該二維圖像進行處理，確定運動目標在水平面的運動方向，從而實現(xiàn)對運動目標的躲避和跟蹤。

圖8a1示出了無人機采集到的場景中運動目標靠后的左視圖。圖8b1示出了無人機采集到的場景中運動目標靠前的左視圖。8c1示出了無人機采集到的場景中運動目標偏左的左視圖。8d1示出了無人機采集到的場景中運動目標偏右的左視圖。8a2示出了無人機采集到的場景中運動目標靠后的校正后的右視圖。8b2示出了無人機采集到的場景中運動目標靠前的校正后的右視圖。8c2示出了無人機采集到的場景中運動目標偏左的校正后的右視圖。8d2示出了無人機采集到的場景中運動目標偏右的校正后的右視圖。8a3示出了圖a1和a2的視差圖。8b3示出了圖b1和b2的視差圖。8c3示出了圖c1和c2的視差圖。8d3示出了圖d1和d2的視差圖。8a4示出了針對圖a1的投影到水平面后的投影圖。8b4示出了針對圖b1的投影到水平面后的投影圖。8c4示出了針對圖c1的投影到水平面后的投影圖。8d4示出了針對圖d1的投影到水平面后的投影圖。從圖8a1-d4可以看出，投影后的圖像可以反應出目標的運動信息，因而可以根據(jù)對投影后的圖像序列采用本發(fā)明提出的方法，就可完成無人機對目標的躲避/跟蹤任務。

上述實施例中雖然將各個步驟按照上述先后次序的方式進行了描述，但是本領域技術人員可以理解，為了實現(xiàn)本實施例的效果，不同的步驟之間不必按照這樣的次序執(zhí)行，其可以同時(并行)執(zhí)行或以顛倒的次序執(zhí)行，這些簡單的變化都在本發(fā)明的保護范圍之內(nèi)。

至此，已經(jīng)結合附圖所示的優(yōu)選實施方式描述了本發(fā)明的技術方案，但是，本領域技術人員容易理解的是，本發(fā)明的保護范圍顯然不局限于這些具體實施方式。在不偏離本發(fā)明的原理的前提下，本領域技術人員可以對相關技術特征作出等同的更改或替換，這些更改或替換之后的技術方案都將落入本發(fā)明的保護范圍之內(nèi)。