我们给出了MBZIRC 2017年无人机挑战赛，挑战1算法部分相关的源码及数据等资料。
数据集，算法验证准则，论文对应数据相关的内容，我们会尽可能在今年9月份前补充完成。
我们公开所有使用的数据集。
1. 之前数据集是将视频转换为图片序列进行处理的，导致数据集占用空间很大，现在需要对数据集格式进行重新处理，直接检测视频序列，来减少空间占用。
2. 18m高左右的数据是直接拟合外围椭圆得到的中心点来作为真值中心点，后续将会在此基础上人工标注十字中心点，来提高标注精度。
3. 数据集相关会尽量在9月份之前补充完成
本文件夹提供了论文中提到的SEDLines, YAED, RVIBE, C2_FTD, C1_FTD这5个算法的源代码。下面给出代码的使用方法。
- src
- SEDLines: 直线段检测算法。
- YAED: 椭圆检测算法
- RVIBE: 运动目标检测算法
- C2_FTD： 圆+十字组合检测算法
- C1_FTD： 十字检测算法
1. SEDLines: 简化的直线段检测算法，调用头文件 SEDLines/Simplified_EDLines.h 即可。
Simplified_EDLines sedlines(1000, 1000); // 构造函数，输入最大行数及最大列数，输入的数值一定要大于等于图片的行宽
sedlines.setParame(40, 2); // 设置参数，i) 表示最小的直线段长度，ii) 表示直线段的最大拟合误差
sedlines.runSimplified_EDLines(imgSmall); // 检测直线段，给出直线段的像素级别的收尾点
sedlines.getFittedLineSegments(sedlines.FittedLineSegments); // 给出亚像素直线段的信息 (可选)
sedlines.getLineGradients(imgSmallOpp, sedlines.LineGradients); // 给出直线段两端的梯度信息 (可选)
sedlines.drawLineSegments4i(imgSmall); // 绘制检测出的直线段
2. YAED: 椭圆检测算法，使用默认参数，调用头文件 YAED/EllipseDetectorYaed.h 即可。
CEllipseDetectorYaed yaed; // 定义变量
vector<struct Ellipse> ellsYaed;
Mat1b tmpImgg = cv::Mat1b(Img_G);
yaed.Detect(tmpImgg, ellsYaed); // 进行椭圆检测
// 绘制检测结果
cvtColor(Img_G, Img_C, COLOR_GRAY2BGR);
Mat3b tmpImgc = cv::Mat3b(Img_C);
yaed.DrawDetectedEllipses(tmpImgc, ellsYaed, 0, 3);
imshow("YAED", tmpImgc);
3. RVIBE: 运动目标检测算法，必须输入视频序列，单张图片无法出结果，同时需要配置文件，相关配置文件在工程中已给出，调用头文件 RVIBE/CFG_RVIBE.h，RVIBE/RVIBE.h 即可。
CFG_RVIBE cfg("RVIBE"); // 调用配置文件
RVIBE rvibe(270, 480, cfg); // 构造函数
rvibe.run_RVIBE_tbb(Img_G); // 输入灰度图，第一次输入无结果，第二次输入会显示运动目标
// 检测结果存储在 rvibe.findRects
4. C2_FTD：圆+十字组合检测算法，调用头文件 C2_FTD/C2_FTD.h 即可
C2_FTD c2_ftd(540, 960); // 构造函数
c2_ftd.runC2_FTD(elps, sedlines.LineSegments, Img_G.rows, Img_G.cols); // 检测目标，输入椭圆，直线段，图像尺寸
c2_ftd.drawC2_FTD(Img_G); // 显示检测结果
5. C1_FTD: 合作目标的十字部分的检测算法，调用头文件 C1_FTD/C1_FTD.h 即可。算法需要输入包含梯度的直线段信息，需要结合SEDLines进行使用。在算法中输入的是SEDLines的FittedLineSegments和LineGradients。
C1_FTD c1_ftd;
c1_ftd.setFixedParams(15, CV_PI / 6); // 设置算法阈值
c1_ftd.setAdaptParams(60); // 设置目标十字像素宽度阈值
c1_ftd.runC1_FTD(sedlines.FittedLineSegments, sedlines.LineGradients);
c1_ftd.drawCrossFeatures(ImgG, true); // 显示检测出的十字角点特征
c1_ftd.drawC1_FTD(ImgG, true); // 显示检测出的最终十字目标
考虑到后续项目要用到特征点检测，特征组合的算法，我们将主要函数封装为静态函数以供直接使用。
std::vector<cv::Vec4d> out_correctedLines; // 被矫正的直线段信息
C1_FTD::CorrectLineSegments(sedlines.FittedLineSegments, out_correctedLines);
std::vector<CrossFeature> out_crossfea; // 检测出的角点特征信息
C1_FTD::CrossFeatureExtraction(out_correctedLines, sedlines.LineGradients, out_crossfea, CV_PI / 6, 15);
std::vector< std::vector<int> > out_adjacency; // 构造十字特征的邻接信息
C1_FTD::ConstructAdjacency(out_crossfea, out_adjacency, CV_PI / 6, 15);
std::vector< cv::Vec4i > out_rects; // 检测出的十字目标，存储的是目标十字特征的角标
C1_FTD::RectangleSearch(out_adjacency, out_rects);
编译算法源码对应的工程，其中所有算法均被封装为动态链接库，使用控制台工程调用测试。每个算法均给出了对应的测试函数。(在使用时候，注意头文件目录，库目录的配置)
1. mbzirc2017-win： vs2017工程，基于VS2017，使用的是VS2015的开发工具集，OpenCV3.1。文件夹包含的是整个解决方案，里面有两个工程。
第一次使用时候一定要检查 "配置属性->VC++目录->头文件目录/库目录" 的路径问题。
- 工程文件
- vs2017工程，基于VS2017，使用的是VS2015的开发工具集，OpenCV3.1。
- QT5工程，方便跨平台开发，将在后续给出
- Linux工程，基于CMake，将在后续给出
- Python接口，使用Cython封装为Python可调用的包，方便测试使用，将在后续给出
- Matlab接口，使用mex封装为matlab可调用函数，方便测试使用，将在后续给出
挑战1相关的所有代码均封装为动态链接库，然后使用控制台工程调用测试，每个算法均给出测试函数。目前给出了VS2015下的编译工程，使用时候需要注意头文件目录和库目录的配置。
算法检测结果：
- SEDLines, YAED在单张图片下的检测结果
- RVIBE, C2_FTD, C1_FTD在视频序列下的检测结果
@article{Li2019Fast,
author = {Li, Zhaoxi and Meng, Cai and Zhou, Fugen and Ding, Xilun and Wang, Xueqiang and Zhang, Huan and Guo, Pin and Meng, Xin},
title = {Fast vision-based autonomous detection of moving cooperative target for unmanned aerial vehicle landing},
journal = {Journal of Field Robotics},
volume = {36},
number = {1},
pages = {34-48},
month={Jan},
keywords = {flight strategy, moving cooperative target, target detection, unmanned aerial vehicle},
doi = {10.1002/rob.21815},
year = {2019}
}