基于深度神经网络的森林步道视觉识别技术研究
发布时间：2020-12-12 01:36
随着无人机技术的逐渐成熟,制造成本大幅降低,无人机已经在多个领域得到了广泛应用,在环境监测、地质勘探、森林防火等民用领域中不断发展,并且其适用领域还在不断拓展。近年来,随着人工智能技术的兴起,将无人机与人工智能结合以提高无人机的自主性成为自主导航领域的研究热点。无人机在已知或结构化环境中的自主飞行已取得了大量研究成果,但在沙漠、森林等非结构化环境中的技术仍不够成熟。在复杂的森林环境中,无人机通过识别森林步道飞行是一种安全有效的行进方式。因此,如何准确快速地识别森林步道是研究的关键。卷积神经网络因其泛性强、鲁棒性高的优点在图像识别和分类领域中取得突出成果,成为如今路径识别方面的主流技术之一。针对无人机在森林环境下的自主飞行,本文提出一种基于深度残差网络的双列深度神经网络模型——2CDNN,该网络模型通过识别森林步道来判断无人机飞行方向,确保无人机始终沿着森林步道飞行。本文首先将图像进行CIELab颜色空间转换以保留更清晰的边缘特征,再利用直方图均衡结合边缘提取的方法获取特征图。将RGB图与特征图作为两路并列的深度残差网络的输入,以提取森林场景中的色彩与纹理特征,最终根据网络分类结果来确定...
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
不同天气情况下的路径
第1章绪论51.3森林步道识别难点在理想环境的条件下（例如确定的道路类型、相同的光照条件等），即使是没有明显特征的未铺设道路，其识别性能也已取得了良好的效果。但是现实世界往往存在光照变化、遮挡、阴影、天气等多方面的影响，因此，在理想情况下的路径识别性能还远远不能满足现实世界下的应用要求。针对于森林步道的识别困难主要体现在以下几个方面：1)不同的天气情况不同的天气会导致森林步道的特征差异性很大，常常会将同一场景表现出不同的纹理属性。比如下雨、有雾的情况会导致图像中步道模糊，下雪天气则会遮挡步道导致特征缺少或丢失，从而使得路径识别有误；图1-1不同天气情况下的路径2)不同的光照条件光照的不同会导致图像的对比度和亮度发生变化，如图1-2所示，当光照较强时常常会在图像中留下光斑；此外，由于森林环境的特殊性，路径周围都是高大的树木，因此，伴随着光照的往往会是树木在地上的投影，这些阴影对于步道的识别也有着很大的影响；图1-2不同光照条件下的路径3)不同的道路类型森林步道一般为人为踩出来的小路，因此没有标准的道路类型，如图1-3所示。这些步道的宽度、弯曲程度、形状多样，给路径识别带来了一定困难；
天津大学硕士学位论文6图1-3不同道路类型4)遮挡物的影响。复杂的森林环境下会出现各式各样的物体对森林步道进行遮挡，像是车辆、垃圾、落叶等等，此类情况会明显增大辨识路径的难度，如图1-4所示。图1-4遮挡物对道路的影响针对以上提到的森林步道的识别难点，路径识别算法必须能够处理复杂和未知的场景，能够在多种状况干扰下获取准确的路径信息。以往的路径识别工作大都集中在城市道路、高速公路等场景，主要应用于地面车辆的自动驾驶领域。用于无人机复杂环境下搜救应用场景的路径识别技术研究较为少见。基于神经网络的路径识别算法[37][38]是少有的针对该应用场景下的技术研究，算法能够通过简单的端对端网络实现路径跟踪，并且相较于传统方法具有鲁棒性高，适用范围广的优点。但在森林环境中，路径边缘模糊，树木分布不匀，不可避免地会出现低密度的森林场景。上述两种方法在此类场景下会出现严重误判，大大降低无人机路径跟踪的安全性和稳定性。针对这个问题，本文提出一种基于多列深度神经网络的方法，该方法通过建立一个双列深度神经网络模型——2CDNN，将相机获取的RGB图及其边缘与纹理特征作为输入，利用网络自主学习预测3种飞行方向（左转/直行/右转）的概率，在保证高密度场景中路径识别准确率的前提下，大大提高在低密度场景下的识别准确率，从而提高无人机在森林环境下进行搜索救援的安全性和可靠性。
【参考文献】：
期刊论文
[1]Road model prediction based unstructured road detection[J]. Wen-hui ZUO,Tuo-zhong YAO. Journal of Zhejiang University-Science C（Computers and Electronics）. 2013(11)
[2]基于主元神经网络的非结构化道路跟踪[J]. 李青,郑南宁,马琳,程洪. 机器人. 2005(03)
硕士论文
[1]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：2911609
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
不同天气情况下的路径
第1章绪论51.3森林步道识别难点在理想环境的条件下（例如确定的道路类型、相同的光照条件等），即使是没有明显特征的未铺设道路，其识别性能也已取得了良好的效果。但是现实世界往往存在光照变化、遮挡、阴影、天气等多方面的影响，因此，在理想情况下的路径识别性能还远远不能满足现实世界下的应用要求。针对于森林步道的识别困难主要体现在以下几个方面：1)不同的天气情况不同的天气会导致森林步道的特征差异性很大，常常会将同一场景表现出不同的纹理属性。比如下雨、有雾的情况会导致图像中步道模糊，下雪天气则会遮挡步道导致特征缺少或丢失，从而使得路径识别有误；图1-1不同天气情况下的路径2)不同的光照条件光照的不同会导致图像的对比度和亮度发生变化，如图1-2所示，当光照较强时常常会在图像中留下光斑；此外，由于森林环境的特殊性，路径周围都是高大的树木，因此，伴随着光照的往往会是树木在地上的投影，这些阴影对于步道的识别也有着很大的影响；图1-2不同光照条件下的路径3)不同的道路类型森林步道一般为人为踩出来的小路，因此没有标准的道路类型，如图1-3所示。这些步道的宽度、弯曲程度、形状多样，给路径识别带来了一定困难；
天津大学硕士学位论文6图1-3不同道路类型4)遮挡物的影响。复杂的森林环境下会出现各式各样的物体对森林步道进行遮挡，像是车辆、垃圾、落叶等等，此类情况会明显增大辨识路径的难度，如图1-4所示。图1-4遮挡物对道路的影响针对以上提到的森林步道的识别难点，路径识别算法必须能够处理复杂和未知的场景，能够在多种状况干扰下获取准确的路径信息。以往的路径识别工作大都集中在城市道路、高速公路等场景，主要应用于地面车辆的自动驾驶领域。用于无人机复杂环境下搜救应用场景的路径识别技术研究较为少见。基于神经网络的路径识别算法[37][38]是少有的针对该应用场景下的技术研究，算法能够通过简单的端对端网络实现路径跟踪，并且相较于传统方法具有鲁棒性高，适用范围广的优点。但在森林环境中，路径边缘模糊，树木分布不匀，不可避免地会出现低密度的森林场景。上述两种方法在此类场景下会出现严重误判，大大降低无人机路径跟踪的安全性和稳定性。针对这个问题，本文提出一种基于多列深度神经网络的方法，该方法通过建立一个双列深度神经网络模型——2CDNN，将相机获取的RGB图及其边缘与纹理特征作为输入，利用网络自主学习预测3种飞行方向（左转/直行/右转）的概率，在保证高密度场景中路径识别准确率的前提下，大大提高在低密度场景下的识别准确率，从而提高无人机在森林环境下进行搜索救援的安全性和可靠性。
【参考文献】：
期刊论文
[1]Road model prediction based unstructured road detection[J]. Wen-hui ZUO,Tuo-zhong YAO. Journal of Zhejiang University-Science C（Computers and Electronics）. 2013(11)
[2]基于主元神经网络的非结构化道路跟踪[J]. 李青,郑南宁,马琳,程洪. 机器人. 2005(03)
硕士论文
[1]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：2911609
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2911609.html
