[發明專利]一種仿鷹眼自適應機制的無人機海面小目標識別方法

有效

• 申請號: 202010771915.8
• 申請日: 2020-08-04
• 公開（公告）號: CN112101099B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 段海濱;徐小斌;鄧亦敏;魏晨;周銳;吳江;其他發明人請求不公開姓名
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/46;G06V10/764;G06V10/44
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

本發明公開一種仿鷹眼自適應機制的無人機海面小目標識別方法，步驟一：仿鷹眼明暗適應機制建模；步驟二：仿鷹眼顏色適應機制建模；步驟三：仿鷹眼前景背景適應機制建模；步驟四：對仿鷹眼適應機制調整后圖像進行幅度?相位譜重建；步驟五：計算多尺度灰度差分；步驟六：計算顯著信息并歸一化；步驟七：輸出仿鷹眼自適應機制的無人機識別海面小目標的顯著圖。本發明優點在于：1)將鷹眼機制引入到小目標檢測過程中，能更好的將鷹能夠在幾千米的高空中捕捉到各種環境中獵物的能力映射到無人機遠距離識別并追蹤無人艇的任務需求；2)使用鷹眼自適應機制能夠使得無人機極大的適應各種海面環境，例如海面魚鱗光、晴天、陰天、黃昏等各種環境。

技術領域

本發明涉及一種基于生物視覺的無人機海面遠距離小目標識別研究方法，尤其是一種仿鷹眼自適應機制的無人機海面小目標識別方法，屬于計算機視覺領域。

背景技術

海島是緩解海洋經濟和沿海地區發展的重要保障，也是維護海洋權益和國家安全的前沿陣地。這些島嶼的地形和地貌相對復雜導致基礎地理信息難以獲取。傳統的人工測量方式難以完成復雜基礎地形數據的采集任務，且存在工作量大、損耗嚴重、人員安全等諸多問題。因此，需要一個智能平臺來填補沿海地區地理數據空白區。

無人機(unmanned aerial vehicle UAV)是一種由無線電控制設備和獨立的程序控制裝置控制的無人機。無人機具有體積小、成本低、速度快、視野寬、對作戰環境要求低、戰場生存能力強等優點。面對復雜的海上任務需求，由于無人機航程的限制，無人機必須在固定時間內完成海上作業任務或返回岸邊進行能源補充。因此，無人機的效率大大降低。無人艇(unmanned surface vessel，USV)可以為無人機提供能源供應平臺。因此，無人機長期執行海上作業任務，不需要返回岸邊補充能量。充分體現了無人機與無人艇合作的優越性。無人機在無人艇上補充能源前，需要對無人艇進行搜索和跟蹤。無人機在海上遠距離時，無人艇可以看作是無人機視場中的一個小目標。在海上小目標的檢測過程中，由于魚鱗光、波浪等隨機干擾的影響，使得在進行海面小目標檢測時面臨低分辨率、圖像模糊、信息量少等難題，不利于遠距離對海面無人艇小目標的檢測。

20世紀80年代以來，人們提出了大量的小目標檢測方法。采用最大穩定極值區(maximally stable extremal region,MSER)方法檢測多個具有不同穩定閾值的區域，但該方法的虛警率高。在區域穩定性和顯著性(regional stability and saliency RSS)算法中雖然考慮了顏色信息和濾波方法，但是當目標和背景相似時，檢測效果并不是很理想。此外，top-hat變換算法、機器學習方法等方法也應用于對小目標的檢測。然而，這些算法使用的條件比較苛刻且算法的檢測精度并不高。隨著機器學習技術的發展，大量的深度學習方法被應用于小目標檢測，如區域-卷積神經網絡(region-convolutional neuralnetworks，R-CNN)、快速區域-卷積神經網絡(Faster region-convolutional neuralnetworks，Faster R-CNN)框架，大大提高了小目標檢測的準確率。統一-實時目標檢測方法(You-Only-Look-Once，YOLO)方法對于提高小目標檢測的精度也做出了一定的貢獻。雖然深度學習算法在小目標檢測中有較好的性能，但需要人工標定大量的樣本，且訓練過程相當耗時。隨著生物視覺優勢的逐漸凸顯，基于生物視覺原理的Itti方法、基于圖的視覺顯著性算法和頻譜殘差(Spectrum residual,SR)方法等視覺注意方法被應用于目標檢測，但大多方法對噪聲信號比較敏感，造成小目標的誤報率較高。