低能见度下无人机视觉追踪方法研究

发布时间：2020-12-14 06:48

　　无人机作为一种智能航空器,具有广泛的应用前景,并已在民用、军用领域受到普遍关注。目前,计算机视觉技术的飞速发展,大大提升了无人机通过视觉系统完成各种任务的综合能力。其中,目标追踪技术已成为无人机通过视觉对场景进行感知和理解的核心手段。然而,受雾、雨等恶劣天气影响,视觉系统性能会受到不同程度的干扰,若仅依赖于低质的图像信号,则难以完成预期的目标追踪任务。为了使无人机在恶劣天气状况下更好地完成目标追踪任务,本文提出了一种面向无人机的低能见度下视觉追踪方法。该方法在对低质图像数据进行去雾预处理的基础上,引入误差修正后的无人机导航参数作为环境感知的辅助手段,来提高无人机视觉追踪的性能。由此,本文的主要研究工作如下:（1）针对雾天情况下航空图像清晰度减小、细节丢失、质量大大降低等问题,提出一种基于深度学习的低质航空图像去雾方法。首先引入大气散射模型,用于解释航空图像退化机理;然后设计一个自编码网络,通过非监督学习方式提取图像的雾相关特征;并设计一个卷积神经网络,回归出雾相关特征对应的场景透射率;最后依据场景透射率反演出清晰的航空图像。预先建立一个包含多场景有雾图像和对应透射率图的数据库作为训练样... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

本文的技术路线

A为大气光强， t ( x )表示透射率，β 为大气散射系数， d ( x场景深度。 I ( x )已知，去雾问题本质是求出大气光强 A和透射率 t ( x )，然过大气散射模型反演出无雾图像 J ( x )。当景深 d ( x )取无穷大时， t ( x )接近入公式（2-1）则有：A = I ( x ), d ( x)→∝ （2公式（2-3）表示大气光照度 A近似等于图像中最远像素点的强度值。在的场景中，距离不会取无穷大；但当距离足够远时，透射率 t ( x )取值很小于 0。因此 A一般取值为天空区域或者景深最大区域的像素值。计算 A之雾问题的关键是通过一定策略估算透射率 t ( x )。

图 2-3 自编码网络结构图在训练阶段，以总量为 N、大小为r × r的有雾图像块ix 作为样本输入（需向量化），以ix 自身作为标签进行训练。各层之间使用 sigmoid 激活函数，以均方误差函数 MES 作为loss函数，通过反向传播策略最小化网络输入ix 和输出之间的loss函数值，训练得到各网络层参数。对于训练样本ix ，定义各层的输出为：( (1) (1) (1))( (2) (2) (2))( (3) (3) (3)(1)(2)(3)(4) )iW a bWa xa fa a ba W abff====+++ （2-4）式中网络的层数为 4，网络参数W 和b 表示相邻两层间的联结权重和偏置，(1)ia = x表 示 第 一 层 网 络 的 输 出 ； f ( x )代 表 sigmoid 函 数 ， 定 义 为f ( x ) = 1/(1 + exp ( x))。loss函数定义为：( )21( , , ) 4,NLoss W b x a xi xiN= （2-5）


本文编号：2916010