一种基于自动特征学习的陨石坑区域检测算法

基于陨石坑的视觉导航技术成为一种新颖的高精度空间探测自主导航方式,如何从导航图像中精确地提取陨石坑区域是实现基于陨石坑视觉导航的首要条件。针对这一问题,根据陨石坑导航图像特点,提出了一种基于自动特征学习的陨石坑区域检测算法。首先,基于最大稳定极值区域检测算法提取陨石坑候选区域;其次,利用卷积神经网络（CNN）自动学习提取候选区域的特征;最后,通过支持向量机（SVM）实现候选区域的精确分类,得到真实的陨石坑区域。大量的仿真实验表明:与传统的基于人工特征的陨石坑区域检测算法相比,提出的基于自动特征学习的陨石坑区域检测算法具有更高的检测精度和更好的鲁棒性,在通用火星表面陨石坑数据集上,所提算法的F₁度量指标较于传统算法高出8%,可以广泛地应用于基于陨石坑的视觉导航算法中的陨石坑区域提取,为基于陨石坑视觉导航算法提供精确的导航路标输入。      

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%.     

支持场景表观差异的无人机图像视觉定位方法

视觉定位是计算机视觉中的基本任务,在无人机测控、视频监控和遥感分析等领域有着广泛应用.在GNSS拒止情况下,利用图像进行视觉定位是重要的导航替代方法.然而,由于室外场景易受天气、季节和光照等变化影响,细节的表观差异方差大,无人机视觉定位的鲁棒性与精度在近地面时难以保证.提出一种基于虚拟图像合成的视觉定位框架.设计阴影映射和深度卷积图像填补网络来合成具有大表观差异和大视差的虚拟图像集,以提高2D-3D配准质量从而提升视觉定位的鲁棒性.实验数据表明,与国际同类方法相比,本方法合成的图像质量在视觉效果、匹配点数量、置信度和视觉定位的精度等指标上都获得了明显的提升,可以支持大表观差异下的无人机视觉定位.     

基于深度学习的图像拼接篡改检测

传统图像拼接检测算法通过研究人员手动构造拼接特征,随着科技的进步以及图像处理技术的不断发展,手动构造特征的局限性逐渐体现出来,鲁棒性较弱,位置不易确定等。为了解决这些问题,构建了一种卷积神经网络（CNN）,将卷积核前置并固定,自主学习相关特征从而检测拼接篡改的图像区域。经过一系列研究,发现拼接篡改图像的拼接篡改区域特征可以被CNN模型学习。在CNN模型之前,卷积核使用高通滤波器,激活函数采用指数线性单元（ELU）,使得CNN模型具有识别拼接篡改图像边缘痕迹等特征的能力。检测结果表明:在IEEE IFS-TC图像拼接取证竞赛训练集上对拼接篡改图像拼接篡改区域定位的准确率为84.3%,对拼接篡改区域判定的真负类率为96.18%。      

用于飞行器视觉导航的地平线检测算法

结合航拍视频序列的特点与视觉导航系统的需求,提出了一种基于图像区域相似性和禁忌搜索算法的地平线拟合视觉导航算法.从航拍视频序列中提取单帧图像,并做下采样去噪等相应预处理;初始化禁忌搜索算法的初始解等参数,结合适配值函数,拟合图像中的地平线;用禁忌搜索算法的特赦准则和收敛准则评判拟合的准确性,直到适配值函数值满足收敛准则为止,得出最优解;分解出飞行器的横滚角和俯仰角,并由横滚角和俯仰角的大小决定下次参数校正的间隔,输出结果给控制系统.实验结果表明,与传统视觉导航方法和基于Hough变换的方法相比,此算法具有无参考、实时性好和抗噪性强等特点.     

基于倒置残差注意力的无人机航拍图像小目标检测

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和深层语义信息,提升小目标的检测精度;在特征融合部分设计多尺度特征融合模块,融合浅层空间信息和深层语义信息,并生成4个不同感受野的检测头,提升模型对小尺寸目标的识别能力,减少小目标的漏检;设计马赛克混合数据增强方法,建立数据之间的线性关系,增加图像背景复杂度,提升算法的鲁棒性。在VisDrone数据集上的实验结果表明：所提模型的平均精度均值比DSHNet模型提升了1.2%,有效改善了无人机航拍图像小目标漏检、误检的问题。     

一种地标点修正的高精度双目视觉导航方法

自主导航技术是无人机、智能机器人以及智能车辆等技术领域中的一项关键技术。为了克服传统视觉导航方法存在的不足,以摄像机自运动估计为理论基础,提出了一种使用地标点修正的高精度双目视觉导航方法。该方法从连续图像序列的帧间变化中提取摄像机自运动信息,再通过速度、角速度积分求得载体的位置姿态等参数。同时,通过引入地标点提供的绝对定位信息,进一步提高了长时间导航的精度。将地标点绝对定位与双目视觉相对定位相结合,并对双目视觉量测噪声建模和解相关,抑制了单纯使用双目视觉长时间导航时误差的积累发散。仿真结果表明此方法具有精度高、自主性强、导航信息完备等优点。     

基于图像卷积的地图匹配算法

地图匹配定位是一种主流的车载导航定位方法,其以车辆轨迹数据和路网地图为基础,将车辆位置估计输出到路网地图上。该过程可对车辆定位结果进行修正,是车辆导航、交通诱导、交通预测等应用的基础。针对现有地图匹配算法存在的一些问题,如算法流程依赖路口匹配精度,在较大初始误差场景下寻路正确率较低,以及寻路结果错误易影响后续匹配精度等,提出了一种基于图像卷积的地图匹配方法。利用图像卷积方式对比了车辆轨迹与道路的几何特征,以实现匹配定位,从而确保了初始误差较大场景下的匹配精度,并且避免了由寻路错误所引发的相关问题。     

基于Gabor滤波器的图像目标识别方法

为了给机器人视觉导航提供有效信息,提出一种基于图像匹配的目标识别方法.对CCD采集的目标图像,由 Gabor 变换生成的二维Gabor 滤波器有着优良的滤波器性能,不需要对图像进行分割,能适应一定的旋转、尺度、光照的变化,通过多个频率和角度的Gabor算子与图像的卷积,获取图像全局信息的特征描述.分类方法采用统计学习理论基础上发展起来的一种新的机器学习方法——支持向量机(SVM, Support Vector Machines),它可解决模型选择、过学习、维数灾难等问题.通过支持向量机进行多维特征向量的分类.该方法可达到较高的识别率,达到实时处理的要求,可以在人脸识别、机器人视觉定位等领域得到应用.      

基于编解码双路卷积神经网络的视觉自定位方法

为了从单张RGB图像估计出相机的位姿信息,提出了一种深度编解码双路卷积神经网络（CNN）,提升了视觉自定位的精度。首先,使用编码器从输入图像中提取高维特征;然后,使用解码器提升特征的空间分辨率;最后,通过多尺度位姿预测器输出位姿参数。由于位置和姿态的特性不同,网络从解码器开始采用双路结构,对位置和姿态分别进行处理,并且在编解码之间增加跳跃连接以保持空间信息。实验结果表明:所提网络的精度与目前同类型算法相比有明显提升,其中相机姿态角度精度有较大提升。      

基于图像增强的无人机侦察图像去雾方法

针对无人机(UAV)雾霾天气下的侦察图像,并考虑无人机自身特性,提出了一种新的基于图像增强的无人机侦察图像去雾方法。该方法从图像处理的角度,通过对图像分别进行白平衡处理和对比度增强处理,基于图像融合和自动色阶处理,最终得到复原图像。选取无人机侦察图像进行去雾,并从主观和客观对实验结果进行评价,本方法得到的去雾图像的图像评价指标均有明显提高;同时与其他典型的去雾方法相比,综合评价指标提升,证明本方法可以得到良好的去雾效果。     

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。      

一种基于卷积神经网络的地磁基准图构建方法

地磁匹配导航技术是一种重要的辅助导航制导方法，地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用。针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题，提出了一种基于卷积神经网络的地磁基准图构建方法。首先，利用卷积层提取低分辨率基准图中的特征图像块；然后，利用基于学习的阈值收缩算法（LISTA）实现图像块的稀疏表示；最后，利用三通道的地磁信息得到重建后的高分辨率基准图。实验结果表明:所提方法对地磁基准图具有更高的构建精度，同时对噪声有更好的鲁棒性，各种客观评价指标均高于现有的超分辨率重建方法。      

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。     

基于视惯融合的无人飞行器导航数据仿真方法

无人飞行器在卫星信号拒止情况下难以获得较高的导航精度。为此，需要研究基于载体自身传感设备的自主导航定位方法。立足于飞行器平台的视觉惯性紧耦合算法架构VINS-Mono，提出并设计了一种视觉惯性数据仿真方法，针对匀速直线运动过程无法恢复视觉尺度的问题，进行了初始化运动轨迹补充。仿真研究结果表明，该方法所补充的轨迹能够很好地对齐视觉与惯性信息并恢复尺度，实现导航参数的正确求解。理想条件下500m平飞范围内定位误差占比不超过真值的3.5%，可作为评估卫星拒止环境下无人飞行器视觉惯性组合导航性能的参考方案。     

基于群体意志统一的无人机协同围捕策略

针对无人机(UAV)协同围捕问题,提出一种基于群体意志统一的围捕策略。受人类在协作任务中的认知机理启发,引入“群体意志”定义无人机的协作认知,并构建双回路认知模型,借助图卷积网络对围捕无人机获取的局部态势进行融合认知,有效减轻无人机系统的计算负载。依靠变分推断原理和生成式自动编码器对围捕无人机进行群体意志趋同学习,依据Apollonius圆实现协同围捕,使无人机集群涌现出更加智能化的围捕效果。通过对比仿真验证了所提策略的有效性和智能性。