[發(fā)明專利]基于最小二乘支持向量機運動預測的實時補償方法

無效

• 申請?zhí)枺?/td>: 200910152568.4
• 申請日: 2009-09-17
• 公開（公告）號: CN101656883A
• 公開（公告）日: 2010-02-24
• 發(fā)明（設(shè)計）人: 陳躍庭;徐之海;馮華君;董文德
• 申請（專利權(quán)）人: 浙江大學
• 主分類號: H04N7/26
• 分類號: H04N7/26;H04N7/50;H04N7/46
• 代理公司: 杭州天勤知識產(chǎn)權(quán)代理有限公司
• 代理人: 胡紅娟

技術(shù)領(lǐng)域

本發(fā)明涉及計算機成像技術(shù)領(lǐng)域，尤其涉及一種穩(wěn)定成像系統(tǒng)中基于最小二乘支持向量機運動預測的實時補償方法。

背景技術(shù)

數(shù)字成像技術(shù)已經(jīng)普遍應(yīng)用于航天/航空遙感、軍事偵察、民用攝影攝像等領(lǐng)域。在攝像裝置成像過程中，由于攝像裝置載體，如衛(wèi)星、飛機、車輛、船艦等的顫震、振動或者拍攝者的手部抖動，引起圖像傳感器成像積分時間內(nèi)的像面抖動，進而導致獲得的圖像模糊、分辨率降低，圖像質(zhì)量退化。

主動穩(wěn)定成像即是一種通過實時運動探測，利用機械、光學或數(shù)字等處理手段，主動地補償成像載體運動或像面抖動，從而使得能夠獲取清晰圖像或穩(wěn)定視頻的技術(shù)。其中，基于高速圖像探測及數(shù)字圖像相關(guān)計算的像面運動探測方法是穩(wěn)定成像系統(tǒng)中主要的運動探測方法之一。然而，對于運動補償伺服控制系統(tǒng)來說，從運動探測到伺服控制存在一定的延遲時間，其中包括探測相機積分延遲、運動矢量計算延遲、D/A轉(zhuǎn)換延遲以及電路通訊延時等。探測相機積分延遲主要和相機積分時間、運動矢量計算時間及補償策略有關(guān)，是系統(tǒng)中最主要的延遲。長延時會嚴重影響補償系統(tǒng)的帶寬及跟蹤精度(王連明，機載光電平臺的穩(wěn)定與跟蹤伺服控制技術(shù)研究，博士學位論文，中國科學院長春光學精密機械與物理研究所，2006)。

Smith預測控制在理論上很好地解決了純滯后系統(tǒng)控制問題，但是需要預先知道被控對象的精確數(shù)學模型，然而相機實際振動情況具有不確定性，缺乏對相機振動精確的數(shù)學描述，因而傳統(tǒng)的Smith預測控制方法難以適用(不確定時滯系統(tǒng)的自適應(yīng)支持向量機Smith預估控制)。BP神經(jīng)網(wǎng)絡(luò)是一種在模式識別和函數(shù)逼近中廣泛應(yīng)用的方法，可以用來模擬任意復雜的非線性關(guān)系，能夠?qū)\動矢量進行預測。但是，BP神經(jīng)網(wǎng)絡(luò)方法的泛化能力較差，無法滿足穩(wěn)定成像系統(tǒng)對預測精確及穩(wěn)定性的要求；其運算速度也較慢，較難達到實時預測輸出的要求；此外，網(wǎng)絡(luò)初始結(jié)構(gòu)參數(shù)(主要是隱含層神經(jīng)元數(shù)量)難以確定，可操作性較差。

支持向量機(SVM，Support?Vector?Machine)是一種基于統(tǒng)計學習理論的模式識別方法，建立在結(jié)構(gòu)風險最小化準則上，其泛化能力優(yōu)于一些傳統(tǒng)的學習方法。SVM主要用于解決模式分類和函數(shù)逼近問題，在解決小樣本、非線性及高維模式識別問題中都有優(yōu)異表現(xiàn)，并能夠推廣應(yīng)用到函數(shù)擬合等其他問題中。最小二乘支持向量機(LS-SVM，Least?SquaresSupport?Vector?Machine)是標準支持向量機的擴展，它采用改進的最小二乘方法來解決支持向量機中的最優(yōu)超平面求解問題，使得該優(yōu)化問題中的不等式約束變?yōu)榈仁郊s束，從而大大降低了計算的復雜度，提高了運算速度。

發(fā)明內(nèi)容

本發(fā)明提供一種穩(wěn)定成像系統(tǒng)中基于最小二乘支持向量機運動預測的實時補償方法。

一種穩(wěn)定成像系統(tǒng)中基于最小二乘支持向量機運動預測的實時補償方法，其特征在于，步驟如下：

(1)建立一個最小二乘支持向量機的運動預測模型，并設(shè)定模型參數(shù)。

構(gòu)建一個具有k個輸入和單個輸出的最小二乘支持向量機運動預測模型f，使得任意時刻的模型輸出x_n可以表示為

x_n＝f(x_n-m，x_n-m-1，...，x_n-m-k+1)

將k個連續(xù)的運動探測矢量輸入到運動預測模型，即能夠輸出m時刻后的運動預測值。

選擇徑向基核函數(shù)(RBF)作為本方法最小二乘支持向量機運動預測模型的核函數(shù)，模型參數(shù)包括正則化參數(shù)及徑向基核函數(shù)寬度。兩個參數(shù)在很大程度上決定了最小二乘支持向量機的學習和泛化能力，可以通過交叉驗證或貝葉斯統(tǒng)計等方法得到合適的參數(shù)組合，使得模型具有最好的預測性能。

如果k值過小，會使得輸出預測值精度較低，在本發(fā)明中k值選擇大于10即可。

(2)收集成像系統(tǒng)的運動探測數(shù)據(jù)，對運動預測模型進行訓練。

成像系統(tǒng)的運動探測數(shù)據(jù)可以通過陀螺、線性加速度計等慣性敏感器件對加速度進行時間積分后獲得；也可以通過安裝輔助圖像傳感器獲取序列圖像，利用灰度投影法、相位相關(guān)法等數(shù)字圖像相關(guān)算法計算序列圖像的幀間運動矢量來獲得。

收集N個連續(xù)的運動探測數(shù)據(jù)，對運動預測模型進行訓練，得到f的表達形式。樣本數(shù)量N的大小與訓練得到的模型精度有關(guān)，樣本數(shù)量如果太少，會使得訓練得到的預測模型不夠準確，降低預測輸出的精度。在本發(fā)明中，N的取值與振動頻率及輔助相機采樣速率有關(guān)，一般大于100即可。