(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210354010.X (22)申请日 2022.04.06 (71)申请人 深圳信息职业 技术学院 地址 518000 广东省深圳市龙岗区龙城街 道龙翔大道 2188号 (72)发明人 谭旭　王琼　张震　庞世燕　 (74)专利代理 机构 深圳市广诺专利代理事务所 (普通合伙) 44611 专利代理师 居振浩 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/52(2022.01) G06V 10/762(2022.01) B64D 47/08(2006.01) G01C 3/00(2006.01)G01C 11/04(2006.01) (54)发明名称 一种基于图像识别的建 筑物碰撞保护方法 (57)摘要 本申请提供一种基于图像识别的建筑物碰 撞保护方法， 包括： 根据无人机采集的图像识别 建筑物间隙确定受到的风力， 具体包括： 无人机 对受到的风力进行计算； 不同墙面设计预测无人 机撞墙概率， 通过对特殊墙面识别预测撞墙概 率； 根据无人机下方行人密度预测掉落风险程 度； 分析无人机容易撞击的位置， 对识别成功与 失败的位置进行数据搜集， 根据识别的数据进行 聚类分析， 计算容易撞击位置的撞击概率； 分析 掉落伤人程度， 所述分析掉落伤人程度， 具体包 括： 对伤人程度进行量化分析； 根据撞击位置与 伤人程度设计保护罩， 包括： 计算保护罩所需厚 度。 本发明能够对建筑物进行保护罩保护， 避免 无人机或飞鸟等撞击导 致的伤人事 件。 权利要求书4页 说明书9页 附图3页 CN 114882382 A 2022.08.09 CN 114882382 A 1.一种基于图像识别的建筑物碰撞保护方法， 其特 征在于， 所述方法包括： 根据无人机采集的图像识别建筑物间隙确定受到的风力， 具体包括： 无人机对受到的 风力进行计算； 不同墙面设计预测无人机撞墙概率， 所述不同墙面设计预测无人机撞墙概 率， 具体包括： 通过对特殊墙面识别预测撞墙概率； 根据无人机下方行人密度预测掉落风险 程度； 分析无人机容易撞击的位置， 所述分析无人机容易撞击的位置， 具体包括： 对识别成 功与失败的位置进行数据搜集， 根据识别的数据进行聚类分析， 计算容易撞击位置的撞击 概率； 分析掉落伤人程度， 所述分析掉落伤人程度， 具体包括： 对伤人程度进 行量化分析； 根 据撞击位置与伤人程度设计保护罩， 包括： 计算保护罩所需厚度。 2.根据权利要求1所述的方法， 其中， 所述根据无人机采集的图像识别建筑物间隙确定 受到的风力， 包括: 通过获取无人机上的监控图像对空中的各个建筑物之间的间隙宽度使用神经网络进 行图像识别， 检测宽度， 将得到的宽度结合当前无人机受到的风向与风力计算无人机单位 面积受到风的阻力大小； 在无人机悬停中， 当受到风力， 无人机相对于地面的位置会有变 化， 通过悬停 时相对位置以及受到风力后每秒相对地面的位置变化距离， 结合每秒变化的 距离与无人机重力计算风力大小， 风力大小随无人机每秒 变化距离的增大而增大； 包括： 无 人机对受到的风力进行计算； 所述无人机对受到的风力进行计算， 还 包括： 根据无人机相对地面的位置每秒的变化计算受到的风力大小， 预设无人机的重力为G， 预设风力为f， 在无人机机身加装定位器， 当无人机悬停时受到横向风力， 位置随风力发生 变化， 预设无人机每秒的变化距离为D(i)， 即第i秒移动的距离， 计算无人机每一秒移动的 距离； 获取移动距离D(i)与无人机重力G， 水平初速度v(0)＝0， 得到每一秒的风力递推计算 公式： f(i)＝a(i)*G/g， 其中加速度a的递推计算公式为： a(i)＝2 *(x(i)‑v(i‑1))， 速度v的 递推计算公式为： v(i)＝v(i ‑1)+a(i)， 无人机每一秒的移动距离越 大， 受到的风力越 大， 获 取当前无人机对建筑物间隙宽度识别的距离与无人机与间隙的距离， 将计算得出 的风力， 间隙宽度以及与间隙的距离记录到数据库中， 在之后遇到同样间隙宽度与距离进 行预先规 避。 3.根据权利要求1所述的方法， 其中， 所述 不同墙面设计预测无 人机撞墙概 率， 包括: 根据无人机采集的图像识别建筑物间 隙确定受到的风力， 无人机根据风力大小进行靠 墙规避， 根据无人机对特殊墙面识别的成功概率， 预测无人机出现撞墙的概率， 通过装有反 光玻璃， 透明玻璃以及双色条纹的墙面进 行识别； 通过无人机镜头对不同墙面的识别， 搜集 识别成功次数与 识别失败的次数， 将两个结果出现的次数计算无人机撞墙概率； 包括： 通过 对特殊墙面识别预测撞墙概 率； 所述通过对特殊墙面识别预测撞墙概 率， 还包括： 无人机搭载有拍摄设备， 无人机获取拍摄设备采集的图像， 运用无人机搭载的拍摄设 备采集的图像对各种 特殊墙面进行距离识别， 其中特殊墙面分别为装有反光玻璃的墙面， 装有透光玻璃的墙面以及双色条纹墙面； 将实际测量的距离与识别的距离进行对比， 判断 识别的距离是否超过实际测 量距离， 若超过了实际测 量距离， 则判断此次对特殊墙面的识 别失败， 并将识别失败次数累加一次； 通过无人机对建筑的特殊墙面进 行多次识别， 计算每 一次识别的距离与实际测量的距离的差值， 将其中通过神经网络识别出无人机与特殊墙面权　利　要　求　书 1/4 页 2 CN 114882382 A 2的距离与实际测量距离小的记录为识别成功， 并记录识别成功 次数； 同理将识别出 的距离 大于特殊墙面距离的记录为识别失败； 将识别的成功 次数与识别的失败次数进行整合， 求 出识别成功率； 将识别成功率低与70％的位置进行记录， 预设成功次数为X， 失败次数为Y， 预设成功率为Z的计算式为： Z＝X/(X+Y)； 将无人机经常出现的广场， 公园附近的建筑操控 无人机靠近建筑物特殊墙面进行多次距离测量， 并搜集识别数据， 计算出无人机对每一种 特殊墙面距离的识别成功率， 将成功率作为撞墙概 率。 4.根据权利要求1所述的方法， 其中， 所述根据无人机下方行人密度预测掉落风险程 度， 包括: 不同墙面设计预测无人机撞墙概率， 获取无人机对墙面预测撞墙概率， 通过无人机正 下方监控画 面运用神经网络识别人数， 无人机处在高处时对正下方区域内识别获取到的人 数进行计算； 根据悬停高度调整正下方区域范围； 高度越高， 正下方区域要计入 行人密度在 监控图像上的范围越小； 悬停高度越高， 掉落造成的风险越高； 根据无人机撞墙概率， 行人 密度与悬停高度计算 掉落造成的风险大小； 包括： 计算 风险程度； 所述计算 风险程度， 还 包括： 考虑的风险因素主要有行人密度， 下落高度， 无人机质量； 根据 无人机下镜头识别无人 机下方行人数量并计算行人密度； 获取当前无人机在平地上 的占地面积， 将无人机方圆半 径进行扩 大3倍， 计算半径扩大三倍后的圆面积作为无人机掉落范围； 通过下镜头对地面行 人的数量计算掉落范围内的行人密度， 将掉落范围面积与范围内的人数相除， 得到行人密 度平方米每人， 将其作为其中一个影响因素， 此影响因素越大， 风险越小； 再计算当前下落 高度， 通过在无人机上加装无线电高度表进行飞行高度的测量， 运用无线电高度表测量与 地面的高度， 此高度越大， 风险越高， 再获取无人机的质量， 将得到的三个值进 行加权求和， 计算最终的风险程度； 根据无人机高度的变化， 无人机下镜头对地面的监控画面中算入行 人密度的范围相对于监控画面会减小； 当飞行达到的高度越高， 下镜头对地面的监控画面 中行人所占的像素点越小， 对行人所在掉落范围内的数量无法进行识别， 根据识别记录将 行人密度设置为 最近时间段内的所有识别数量的平均值作为当前影响因素。 5.根据权利要求1所述的方法， 其中， 所述分析 无人机容易撞击的位置， 包括: 根据无人机下方行人密度 预测掉落风险程度， 进行深入分析， 将同一个墙面， 无人机与 墙面距离的不变， 对同一个墙面的各个位置进行距离识别， 将识别成功的位置与识别失败 的位置进行数据搜集， 根据搜集的数据通过meanshift聚类分析预测无人机对同一墙面各 个撞击失败点最密集的位置， 并计算此位置的撞击概率； 包括： 对识别成功与失败的位置进 行数据搜集； 根据识别的数据进行聚类分析； 计算 容易撞击位置的撞击概 率； 所述对识别成功与失败的位置进行 数据搜集， 还 包括： 通过无人机对同一个墙面保持距离不变， 不断变化墙面识别位置搜集识别数据； 将墙 面当做平面直角坐标系的第一象限； 墙面左下角当做坐标原点， 记录每一次识别结果对应 的横纵坐标值， 并记录是否识别成功， 识别成功的判断方法为识别的距离是否大于实际的 距离， 识别距离大于实际距离， 则判断为识别失败， 小于实际距离则识别成功； 通过生成随 机数随机生成坐标点对墙面进行对应分析， 根据墙面的长和宽计算墙面的面积， 预设长为 x0， 宽为y0， S为墙面的总面积， 预设随机数生 成的数量为Z， 预设无人机侧面投影面积为s1， 根据无人机的侧 面投影面积计算无人机撞墙的占地面积与墙面面积的比例决定随机数的权　利　要　求　书 2/4 页 3 CN 114882382 A 3