面向地面运动目标的无人机协同航迹规划

由于现有无人机协同航迹规划主要局限于固定目标,提出了一种面向地面运动目标的无人机协同航迹规划方法.给出面向地面运动目标的无人机协同航迹规划总体方案;采用按时间推进的自规划与同步规划交替进行的协同规划机制,满足协同信息交互存在时间间隔的约束;在规划中将无人机运动与地面目标运动结合并构造适合于地面运动目标的启发函数,利用启发式搜索算法快速生成航迹段;采用分布计算协同变量的方法降低了协同计算量.仿真结果表明该方法可以使无人机通过信息交互和自主分布计算快速生成面向地面运动目标的三维协同航迹,且满足规划的实时性要求.     

无人机复杂环境中跟踪运动目标的实时航路规划

在复杂地形环境中,无人机在跟踪运动目标时,现有的航路规划方法在实时性和可行性上存在一定缺陷.提出了一种新的滚动窗口启发方向计算方法,使其能够跟踪运动目标,同时在滚动窗口内采用流函数法进行避障.根据无人机约束,滚动窗口为三角形,并设计了基于行为的伸缩功能.在流函数中,利用水势能方法克服了陷阱地形并进行了航路平滑.仿真结果表明:这种混合算法对于复杂地形条件下跟踪运动目标的航路规划,能够减小规划算法的时间和空间复杂度,使规划出的航路适于无人机飞行.     

电力场景下基于无人机视觉的运动目标追踪方法

随着人工智能技术的发展,面向电力系统的运动目标追踪技术逐渐得到关注,现有方法虽有一定成效,但是大多基于固定摄像头的监控视频录制,不能灵活追踪运动目标,当运动目标离开摄像头视野时,存在运动目标丢失问题。为此,利用无人机设备,并基于深度学习和核相关滤波技术,提出了一个电力场景下基于无人机视觉的运动目标追踪方法（MTTS_UAV）。所提方法采用改进的目标追踪方法与目标检测方法相结合的方式来追踪运动目标隐患,并引入2种无人机飞行控制模块:启发式和数据驱动式,使得无人机的飞行速度和方向可以根据目标移动情况自适应地调节。在真实变电站的安全帽人员数据集上进行了大量实验,对所提方法的追踪效果进行评估,结果表明:所提方法在真实数据集上的平均像素误差（APE）和平均重叠率（AOR）分别可达到2.37和0.67,验证了方法的有效性。      

基于优化CenterNet的低空无人机检测方法

为实现对“低慢小”无人机(UAV)的有效探测, 提升检测精度和定位质量, 提出一种基于联合注意力和CenterNet的低空无人机检测方法。针对通用目标检测算法小目标漏检率高的问题, 引入解耦的非局部算子, 捕捉光学图像目标区域的关联性。利用无人机群个体间的相似性, 将离散的无人机特征相互关联, 降低漏检率。为获得更加精准的检测框, 对CenterNet的标签编码策略和边界框回归方式进行优化, 引入定位质量损失, 提升检测框定位质量。实验结果表明:优化后的S-CenterNet算法相比原始CenterNet算法平均准确率提升了8.9%, 检测框定位质量有明显改善。      

基于深度学习的非合作目标感知研究进展

近年来随着卷积神经网络的发展,基于深度学习的图像感知技术取得了巨大进展。深度学习算法不依赖于人工辅助设计标记、泛化能力强、检测精度高,在空间非合作目标智能感知领域引起了国内外学者的关注。本文分析了应用深度学习方法进行非合作目标智能感知的研究现状,并对他们进行分类介绍与总结。首先,总结了空间非合作目标感知的在轨应用情况和任务阶段规划,接着分析了非合作目标的结构特性和表面光照特性;其次梳理总结了建立非合作目标数据集的三种方法,分类归纳了非合作目标识别与非合作目标位姿检测的国内外研究进展;最后,分析了基于深度学习的非合作目标智能感知方法的关键问题与难点,并给出了后续研究的思路。     

利用H.264中运动矢量实现运动目标检测

针对视频压缩和运动目标跟踪同时实现的应用,通过研究H.264压缩标准中运动矢量包含的图像运动信息并分析运动估计原理,提出了一种利用视频压缩中的运动矢量信息实现运动目标检测的方法,确立了H.264编码流中运动矢量与场景中物体运动状态的对应关系.将运动目标从背景中分离是检测算法的核心.对于双门限值的设置,可分离不同运动速度的目标;同时,算法排除了背景运动的干扰,因而可应用于摄像机运动的场合;由于检测算法所用的运动矢量直接来源于H.264编码过程,而大大降低了计算复杂度,利于硬件实现.     

基于视频帧间运动估计的无人机图像车辆检测

基于人工智能(AI)芯片搭建轻量化深度神经网络,可以在无人机(UAV)机载端实现视频中车辆目标的自动检测,具有重要的应用前景。为此,提出了一种针对无人机图像车辆目标的检测方法,并在AI芯片上进行部署与测试。方法具体包括:结合无人机图像中车辆目标的尺寸范围,对MobileNet-SSD网络进行裁剪,构建轻量化单帧图像检测器;为解决小目标特性在轻量网络框架下引发的检测性能下降问题,引入帧间运动矢量估计,根据相邻帧信息辅助预测当前帧丢失目标的位置范围,并利用检测结果进行修正,实现丢失目标的再召回。通过对多个数据集进行融合与自动补充标注,搭建了一个高质量的无人机图像车辆目标数据集;同时将方法在基于RK3399芯片计算的嵌入式开发平台上进行实验验证,结果表明:搭建的网络能够显著减少存储资源占用,具有轻量化的特点;同时相比于单帧检测法,引入视频帧间运动估计方法可以有效提高检测精度,并在AI芯片上实现125.3 ms/帧的检测速度。      

基于改进SSD的无人机航拍目标检测

针对无人机航拍图像尺度变化大、识别难度大和目标普遍较小的问题,提出一种基于改进单阶段多框检测器(single shot multibox detector, SSD)的无人机航拍目标检测算法——RCBnet.该算法为了提升网络的特征提取能力,将SSD算法的特征提取网络修改为Resnet-50并采用特征融合的方式,将特征图进行融合,用融合后的特征图构建特征金字塔;为了增强算法对物体的检测能力,设计一种联合注意力机制的多尺度卷积结构来有效调节感受野,实现不同尺寸卷积核对特征图的并行运算;针对训练过程中正负样本极具不平衡的问题,该算法采用Focal Loss损失函数训练网络模型,使其侧重于困难样本.通过与其他经典算法相比可知,所提算法在无人机航拍图像中具有更高的检测精度、更好的检测性能和鲁棒性,相比SSD,精度提高达3.46%.     

异构多无人机协同目标跟踪分散化最优控制

针对主被动传感器协同目标跟踪需要,考虑到可扩展性、异构性和动态可重构性等特点,建立了适于不同测量类型和不同测量维数的异构多传感器分散化信息融合算法.以极大化信息融合所得到的信息熵及无人机(UAV,Unmanned Aerial Vehicles)观测信息质量为效能函数,建立了异构多UAV协同目标跟踪的分散化最优控制代价函数以及通信、防撞和控制等约束模型.实现了多UAV协同目标跟踪的分散化模型预测控制,并分析了通讯噪声等因素对分散化信息融合和协同控制的影响.     

两类空间目标的非参数姿态判别方法

在详细分析空间轨道目标窄带雷达特性的基础上,利用非参数统计学的随机游程检验理论对空间目标的稳定方式进行判别,从而实现对绕质心旋转和非旋转这两类目标的分类识别。     

基于扩展卡尔曼滤波的舰机相对位姿估测

通过将基于扩展卡尔曼滤波的长序列图像分析方法与单目视觉技术相结合,把无人机自主着舰视觉导引中舰机间相对位姿的估测,转化为机载摄像机对着舰靶标平面3D位姿的实时估测问题.首先根据透视投影理论,建立了以摄像机的透镜中心为原点且Z轴与光轴重合的摄像机坐标系和世界坐标系,然后利用机载摄像机连续拍摄的靶标图像序列,选择描述相对运动的3个欧拉角、平移向量及它们的速度作为状态变量;由靶标角点的提取和帧间匹配,建立了反映着舰靶标上特征点的图像坐标和状态变量之间关系的观测方程,带入扩展卡尔曼滤波器,估测出舰机的相对运动参数.计算机数据仿真和基于DSP平台的半实物仿真试验验证了算法的有效性和鲁棒性.      

基于积谱的雷达目标高分辨率距离像识别

针对飞机目标的识别问题,将一种用于语音识别中的积谱特征引入雷达目标一维距离像识别领域.积谱定义为功率谱与群延迟的乘积,该特征能够充分利用目标一维距离像的幅度谱与相位谱信息.在目标分类阶段,选择基于弹性传播(RPROP)算法的多层前馈神经网络作为分类器.利用4种飞机模型的重点散射源二维分布测试数据和频率步进法得到目标的一维纵向距离像,对距离像积谱的分类性能进行了测试,结果表明基于积谱的特征对于一维距离像具有较高的识别率,并具有较好的抗噪性能.      

面向多威胁的无人机智能目标跟随策略设计

随着无人机(UAV)一体化作战的不断发展,无人机在搜索到运动目标之后,需要立即转入跟随模式,考虑到战场环境的复杂性,研究了在多个威胁源条件下无人机跟随运动目标的问题,为了保证无人机的安全性以及跟随目标的精确性,提出了一种基于决策树的无人机智能目标跟随策略。首先对威胁概率图(TPM)进行建模;然后采用几何图法及任务优先级生成不同的规则,建立相应的决策树,并设计了不同规则下无人机飞行航向及速度指令;最后通过仿真验证所提出的智能目标跟随策略的有效性。      

基于ATI技术的一种动目标检测的实现方法

提出了一种基于双孔径天线沿航迹向干涉(ATI, Along-Track Interferometry)的动目标检测、测速及定位的实现方法.该方法与DPCA(Displaced Phase Center Antenna)技术相比,不要求天线载体速度和脉冲重复频率之间必须满足严格的制约条件,同时克服了DPCA技术及CSI(Clutter Suppression Interferometry)技术产生的动目标回波强度随目标径向速度按正弦规律相消而降低了对慢速目标的检测能力的不足.在ATI理论分析的基础上,给出了利用干涉图像的干涉相位信息进行动目标检测、径向速度分量估计及定位的一种实现方法.这种检测方法能够完成被地面背景杂波淹没的慢速运动目标的检测、测速及定位.计算机仿真结果验证了其有效性.      

基于改进YOLO V5的无人机航拍图像小目标检测方法

本文针对无人机航拍目标检测技术中目标聚集、目标较小及实时性差等问题,将YOLO V5的主干架构进行改进,简化Neck网络,提出了一种提高检测速度又能准确识别的无人机航拍图像检测技术方案。经过仿真实验测试,改进后的YOLO V5网络在保持识别精度的同时,检测速率提升了31%,满足无人机在航拍作业时对于准确性与实时性的要求。     

虚拟场景中半动态对象的层次运动模型

为了增强视觉沉浸感,虚拟场景中存在着大量的树木、火焰、烟尘等半动态对象.针对这类对象进行运动描述时计算开销大,严重影响仿真的实时性能的问题,提出一种层次运动模型LOM(Level of Motion).首先给出了半动态对象的定义;然后根据该类对象的特点提出了层次运动模型;最后以树木随风实时摆动行为的建模为实例,对该模型的有效性进行了验证.实验表明该模型的应用可以在保证虚拟场景视觉效果逼真的同时,使仿真获得较为理想的实时性能.      

基于菲涅耳变换的不变矩提取及目标识别方法

提出了一种基于菲涅耳变换的不变矩特征提取方法,并应用于图像目标识别.利用菲涅耳变换得到图像的衍射图样,将图像映射到菲涅耳衍射空间;在衍射空间提取几何矩或正交矩来获取图像全局信息的特征描述;利用k近邻法识别目标.实验结果表明基于菲涅耳变换的不变矩提取方法对于平移、尺度及旋转变化的图像目标具有更高的分类精度和抗噪声能力.     

一种基于深度学习的交互式电话号码识别方法

物流、保险和中介服务等行业需要频繁地拨打电话,而人工拨打电话效率较低,高效的电话号码识别技术具有重要的应用价值。传统的印刷体数字识别方法存在人工设计特征过程复杂、识别字体单一等不足,难以满足实际应用需求。本文提出了一种基于深度学习的交互式的电话号码识别方法,通过鼠标双击图像中的电话号码,自动截取出包含此号码的目标区域,并进行灰度化、二值化、目标区域定位、字符分割和图片补白等预处理操作,在此基础上利用改进的LeNet-5卷积神经网络（CNN）自动学习图像特征,支持多种字体、字形和字号的印刷体数字识别,并利用交互式识别和内存池等方法提高识别速度。实验结果表明,单一字符的识别率为99.86%,整个号码的识别率为99.50%,整个号码平均识别时间为91 ms。本文方法识别精度高、识别速度快,具有较为广泛的应用前景。