基于神经网络的UUV视觉识别与定位方法研究

摘要

自从人类将发展空间扩充到海洋以来,水下无人航行器(UUV)成为一种探测海洋世界的重要工具,而在UUV进行水下近距离作业时传统的声纳等传感器已经不能满足其定位精度要求,从而光视觉传感器被大量的应用到UUV的水下近距离作业任务中。本文是以UUV在回收对接过程中近端视觉定位为研究背景,针对利用UUV的双目视觉定位系统如何提高UUV在水下回收对接过程中的识别与定位精度问题,论文对该系统进行了如下所述的研究:
　　1.水下导引图像预处理与导引光源特征提取方法。导引图像的预处理过程是增强光源的特征,去除背景和伪光源。本文利用高斯平滑滤波去除导引图像中的噪声干扰,对其进行二值化,由于光源与背景的灰度特征相当明显,所以采用固定阈值法就能满足分割要求;二值化后的图像中还残留了一些背景和污点,通过形态学的特征将其剔除;对于光源轮廓的提取需要将光源轮廓从导引图像中精确的提取出来,针对这个问题采用了先对二值化的图像进行Canny边缘检测,再对其应用Snake模型提取边缘轮廓,考虑到Snake模型对轮廓的凹陷部分不能很好的提取,引入了梯度矢量场(GVF),并用贪婪算法优化GVF-Snake模型,使其提取速度更快;对于光源轮廓的特征提取方法,选择了光源轮廓的不变矩特征作为目标识别的特征;
　　2.心形参考光源的识别方法。从导引图像中提取一个光源轮廓的不变矩特征,针对如何识别出该光源是否为心形参考光源的问题,本文选择了神经网络算法作为目标识别的分类器,而传统的BP网络存在收敛速度慢、易陷入局部最小值等缺点,针对这一缺陷,本文对BP网络进行了改进,其包括:自适应学习率调整、引入动量因子和基于粒子群优化的BP网络;在仿真实验中,采用离线训练的方式,利用识别训练样本对四种BP网络进行学习训练,分析各网络的学习训练速度,对于训练好的网络通过测试样本验证网络识别的准确性与实时性,为下一步定位做好了准备;
　　3.基于双目视觉的UUV定位方法。准确的将心形参考光源轮廓提取和识别出来是为了目标定位做准备,UUV在回收对接过程中需要确定其相对于导引光源阵列的艏向、横向、纵向和高度四自由度信息,而双目视觉UUV定位系统的功能就是求取UUV的四自由度信息;对于UUV艏向角的求取方法,可以通过各光源拟合的直线和心形参考光源的指向来确定,这种方法算法简单易于实现;对于其它三个自由度的定位方法,本文采用了基于神经网络的双目视觉定位方法,该方法避免了传统定位的摄像机标定过程产生的误差,直接用神经网络学习心形参考光源质心在导引图像中的图像坐标值与其在世界坐标系中的坐标值的映射关系,将摄像机的的内部与外部参数都隐含在了网络中;在仿真试验过程中同样采用离线训练方法,实验证明上述方法能够实时获取UUV四自由度定位信息;
　　4.基于双目视觉导引的UUV回收缩尺度模拟实验。首先设计了坞舱的机构和导引光源的组成及安装位置以及双目视觉导引系统的组成;其次介绍了UUV回收对接的整个过程,以及缩尺度模拟平台的组成和功能;最后根据UUV回收对接原理以及UUV双目视觉识别与定位方法,设计了用于模拟实验的软件。在模拟实验平台上运行对接程序,根据获取的UUV模型运动轨迹参数,验证了本文设计的基于神经网络UUV识别与定位方法的可行性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题研究的背景与意义

1.2 UUV回收技术研究现状

1.3水下光视觉技术研究现状

1.4 本文研究内容与组织安排

第2章 水下导引图像处理方法研究

2.1 引言

2.2 水下图像预处理

2.3 精确提取光源轮廓线

2.4 光源轮廓不变矩特征提取

2.5 本章小结

第3章 基于神经网络的水下目标识别方法研究

3.1 引言

3.2 BP网络设计

3.3 BP网络的改进算法

3.4 仿真实验

3.5 本章小结

第4章 UUV双目视觉定位方法研究

4.1 引言

4.2 UUV艏向定位

4.3 基于神经网络的双目视觉定位原理

4.4 仿真实验

4.5 本章小结

第5章 基于双目视觉导引的UUV回收缩尺度模拟实验

5.1 引言

5.2 UUV回收坞舱模型

5.3 UUV双目视觉导引系统

5.4 UUV回收缩尺度物理模拟实验

5.5 本章小结

结论

参考文献

攻读硕士期间发表的论文及科研成果

致谢