基于雷达传感器和改进深度学习的无人机目标检测方法.pdf
《基于雷达传感器和改进深度学习的无人机目标检测方法.pdf》由会员分享,可在线阅读,更多相关《基于雷达传感器和改进深度学习的无人机目标检测方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法:在深度图像网络架构的基础上,引入残差网络提升算法精度,利用 加速深度学习的过程,从而利用改进的 算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与 相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比 算法高出 。关键词:雷达传感器;无人机;目标检测;改进 ;残差网络;直方图网络中图分类号:文献标志码:开放科学(资源服务)标识码():文
2、章 编 号:(),(,;,;,(),):,:,:;收稿日期:基金项目:国家自然科学资金();广西高校中青年教师科研基础能力提升项目():();()引言无人 驾 驶 飞 行 器(,),也称无人机,设计之初主要用于军事领域,目前被大学及科研机构用于研究计算机科学和机器人技术 。无人机的应用场景主要集中在飞行搜救、航运、农业作业和基础设施检查等 。由于需要高精度的实时数据处理技术,无人机的自主飞行及空对地监视中最关键的环节是目标检测。目标检工程与应用 测直接用于各种无人机监测任务,如环境分析、交通监控、灾害分析和目标跟踪。特别是在城市或居民区飞行时,由于受到检测目标密集、隐蔽,地形多样、障碍物繁多等
3、复杂因素的限制,监测目标丢失、无人机碰撞、跌落等安全问题尤为突出,因此精确检测目标及快速避开障碍物显得尤为重要。文献探讨了以颜色元素为参数的目标跟踪法,并且对可能存在的干扰进行了分析,引入抗扰动的无人机飞行位置与姿态自适应控制器。文献中则创新地提出了一种金字塔网络,其最大特点是能够进行横向连接,并且正是基于这种连接而构造了多尺度网络,可以采取自上而下的方式进行搜索。文献提出的区域卷积神经网络将卷积神经网络算法完美融入到图像目标检测相关任务中。文献则探讨了采用快速区域卷积神经网络算法,文献采用了超速区域卷积神经网络算法,种算法虽然不同,但是原理基本一致,都是利用了算法的优势实现了目标检测。文献提
4、出的视网膜网络()算法是另外一种常用算法,它的特征是利用中心损失函数进而有效降低对正负不同样本的损失,该方法经过模拟验证了一阶目标检测模型的结果精度超过了二阶模型。小型无人机有其特殊性,不仅其检测目标相对较小,运动速度也相对较高,加之环境的复杂性会使得信息缺失问题较为严重,并且受某些情况影响很容易模糊,给逐帧检测带来了更高的难度。在无人机航拍图像的过程中,无人机到目标的视觉距离可能很远并不断变化,因此,获取到的监测目标的特征信息通常较少。同时,目标场景的视野范围广,且监测目标时无人机会面临各种环境变化,如环境干扰、其他目标的阴影和遮挡等。由于额定载荷质量的限制,很难同时在无人机上安装多个高性能
5、传感器,即便可以安装,通过多模态数据集成来定位目标的相关技术也十分匮乏。文献提出了一种基于深度自适应学习(,)的复杂逆合成孔径雷达(,)目标识别方法,同时还提出了自适应多模态机制(,)来有效地处理复杂的多模态识别问题,极大地提高了卷积神经网络的采样和转换能力,并显著提高了输出特征图的分辨率。与之类似,文献提出了一种基于深度多模态关系学习(,)的目标识别方法,该方法不仅能有效地处理复杂的多模态识别问题,而且能充分利用特征、属性和标签等。文献将 算法运用到无人机的目标检测中。为了消除实际距离与视觉距离的偏差,文献利用强化学习算法在高分辨率图像中判断目标检测区域。由于基于单目三原色系(,)相机的目标
6、检测技术仍存在很大的局限性,文献提出了结合热成像传感器和红外传感器的深度学习算法。目前很多方法的跟踪相机的镜头与目标相距较近,目标的距离计算相对粗糙,为此,提出了一种基于雷达传感器和改进深度学习的目标跟踪方法,主要工作总结如下:在深度图像网络构架的基础上引入残差网络与算法。其中,在结构基础上增加引入层残差网络,提高了目标的辨识能力;通过直方图网络估计检测目标的视觉距离,实现了点云数据无法在二维准确投影计算的问题。实验结果验证了所提方法的有效性和优越性。无人机数据获取与处理 数据获取人眼对颜色的识别是基于红色()、绿色()、蓝色()三种颜色,其本质是因为人类可以轻松识别发射敏感波长的目标,例如交
7、通信号灯及各种警告标志。文献研究了色系、减色系(,)和灰白色系等不同颜色系统对目标检测效果的影响,然而未对特定原色进行研究。因此,在图像中依次选取每种原色的分离图像以训练目标检测算法,并分析每种原色对目标检测的影响程度。然后,将影响程度最大的原色予以剔除并利用深度图进行重构。最后,对图像进行重构实现目标检测,并对比各组实验的目标检测效果。实验表明,蓝色对目标检测效果的消极影响最大,降低了算法高达的目标检测性能 ,这与人类视觉系统极为相似,因此,蓝色予以剔除。由此提出的无人机目标检测方法在预处理滤波器的基础上通过深度图重构了不包含蓝色的图像,从而形成新的深度图像网络。由于相机输出的图像为二维平面
8、图像,而激光雷达输出的图像为三维立体图像,为了整合图像信息,在获取图像后,首先进行预处理,将三维空间中目标的坐标转换为平面坐标,这个过程也称为工程与应用 年 无线电工程 第 卷 第 期 二维深度图的重构。通过式()将三维点云数据转换为前视图坐标,以匹配二维图像。这是深度图像网络形成的第一个步骤。()()()(),()式中:,为点云数据的三维矢量,为三维矢量与轴的夹角。在平面上的投影如图所示,点云数据(,)是基于绝对坐标创建的,本文是在垂直于地面的方向上以绕轴()的固定角度收集的。图中,左边的第层图像是点云数据图像,第层是图像。图在平面上的点云投影 激光雷达和摄像头固定在无人机上,假设传感器只考
9、虑 内存在的目标,且激光雷达所获得的图像是在相机图像的基础上进行校准,因此,激光雷达图像投影后的坐标点比与之对应的图像的坐标点要稀疏得多。考虑到本文设计的无人机目标检测系统中使用通道的激光雷达,而不是常用的通道,因此,图像坐标分布的稀疏度更加明显。激光雷达传感器获取的空间分辨率十分有限,因此采用文献提出的基于预处理滤波器(,)的重构方法,该方法可构建高分辨率深度图,且具有计算效率高、参数调整容易等优点。这里不采用点云特征匹配的方式,而是直接利用式()的坐标系投影变换的方式,将激光雷达所获得的图像与相机图像进行校准,这样做可以平衡处理速度和准确性,适合嵌入式平台。点云的插值与投影此外,需要将激光
10、雷达获取到的三维点云数据投影到二维平面,从而进行检测目标的视觉距离估计。由于点云数据是在三维空间坐标系中创建的,因此无法直接通过二维平面上的投影计算距离。基于数据体素化的目标边界框坐标预测法可以实现点云数据在二维平面投影后的检测目标的距离估计。点云数据使用两点五维中心化网格图,其中每个体素覆盖 的区域。每个体素单元存储一个波尔量,该量表示体素是否被目标物体占用。体素化的点云数据在二维平面匹配边界框的投影点坐标为,。,和,分别是边界框左下角和右上角的坐标。点云的插值可以采用最近邻方法(又称泰森多边形分析法),其优点是快速简单,插值的整体效果好,可较为完整地展现物体形状;缺点是边界可能有锯齿效应。
11、最后,计算投影边界框中体素占据值的平均值,该值为无人机到目标物体的估计距离。提出的无人机目标检测系统无人机目标检测的系统结构如图所示,包含无人机有效载荷部分和嵌入式部分,其中,嵌入式部分是目标检测的核心。在嵌入式程序部分,基于多模态数据的深度图像网络可以检测复杂背景环境下的目标。检测目标之后,结合激光雷达数据,能基本得到目标位置信息。此外,由于是嵌入式平台,为了保持检测的准确性和系统运行的快速性,点云图像的校准采用坐标系的投影变换来完成,目标检测和目标区域定位采用改进。图本文无人机目标检测的系统结构 工程与应用 目标检测通常情况下两阶段目标检测算法中要先准确确定候选区域,尤其是要在检测框分类与
12、回归之前完成这项任务,算法的流程繁琐程度较高,但运算精度却没有明显提升,实用性不强,而采用单阶段检测算法思想的目标检测算法省略了运算耗时最久的候选区域提取环节,因此,大大提升了计算效率。为了解决目标检测问题中通常存在的类不平衡问题,同时尽可能地得到更多视频背景,在训练时将负样本不断增加,与正样本相比要更多。有些运用最小化损失函数的数学模型中,随着负样本的不断增加导致分类器可能会将预测样本定性偏向为负类,从而导致检测精度下降。为了解决上述问题,采用了如下损失函数:,()(),()式中:表示正类样本预测的概率值,(,)。其中正类样本标签的值 ,的优化目标要尽可能地等于。负类样本标签的值 ,的优化目
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 雷达 传感器 改进 深度 学习 无人机 目标 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。