最新面向无人艇应用的目标检测项目建议书Word文档下载推荐.docx
- 文档编号:16007214
- 上传时间:2022-11-17
- 格式:DOCX
- 页数:17
- 大小:3.28MB
最新面向无人艇应用的目标检测项目建议书Word文档下载推荐.docx
《最新面向无人艇应用的目标检测项目建议书Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《最新面向无人艇应用的目标检测项目建议书Word文档下载推荐.docx(17页珍藏版)》请在冰豆网上搜索。
其中,目标自动检测识别技术又是无人艇避碰、避障等运行保障和探潜、监视等实际应用的核心技术基础。
因此,开展面向无人艇应用的目标检测识别技术研究具有重要的理论意义和应用价值。
二、研究目标
长期以来,自动目标检测识别都是计算机视觉和人工智能领域所关注和研究的核心问题。
但是,针对任意场景条件都普遍适用的方法目前还不存在。
因此,以实际应用为驱动,设计与研发具有较强针对性的目标检测识别算法是目前普遍采用的技术思路。
因此,面向水面应用背景的高效自动目标检测识别技术是本课题的研究重点,其目标一是解决无人艇在自主航行过程中对周围各类水面目标的检测,保障水面避障和自主航行的可靠性,二是针对具体应用,探测和发现异常目标,并实现对其的监视和跟踪。
本课题将提供水面目标检测识别关键技术,为无人艇的安全航行和应用提供关键技术支撑。
三、研究内容
面向无人艇应用的目标检测识别算法所要面临的实际挑战主要有三点:
(1)水面和气候条件复杂,波浪以及光照变化等因素会对最终的检测识别效果造成极为不利的影响;
(2)水面目标类型众多,同时,对于同一类目标,由于型号、姿态、相机距离或者视角的不同,其类内差异也会较大(图2所示的为部分水面目标),这对视觉特征提取和分类器的训练都提出了很高的要求;
(3)由于本课题面向实际应用,其对算法的实时性要求极高。
因此,已有的一些具有较好检测识别效果,但时间复杂度高的方法对于本课题并不直接适用。
围绕着上述技术难点,我们拟开展的研究内容是:
(1)复杂动态环境下水面潜在目标区域检测技术
水面环境复杂的场景条件和大幅度波浪对成像稳定性的潜在影响给水面目标的检测识别造成了极大的困难。
为了保证在高实时性的前提下,完成对水面目标的检测和识别,确定水面潜在目标区域是极为重要的预处理步骤。
针对不同类型的水面目标,我们将首先寻找并提取针对各类目标都有较强描述能力的视觉特征。
其次,由于水面目标的尺寸大小和姿态并不固定,必须相应地设计高效的目标潜在区域多尺度搜索机制。
为了获得准确的目标潜在区域检测结果,合理的分类器设计也是极为重要的研究内容。
(2)目标显著性区域分析技术
研究内容
(1)中所得到的目标潜在区域分析结果,可能含有大量的虚警。
为了克服上述的缺陷,本课题将借助人眼视觉中显著性的机制对水面图像进行目标显著性区域分析。
通过将显著性分析结果与研究内容
(1)的分析结果相融合,可提高目标潜在区域检测的准确度。
对图像进行目标显著性分析首先需要建立数学模型,对图像内容进行有效地层次化描述。
其次,需要同时对图像局部和全局的目标显著性进行分析。
最后,我们需要研究的是如何融合局部和全局的显著性分析结果,以期获得对图像中目标显著性区域完整的分析结果。
(3)水面目标检测技术
基于研究内容
(1)和
(2)所获得的目标潜在区域分析结果,我们将对目标潜在区域中是否真实含有水面目标进行检测和确认。
首先,需要寻找和提取针对水面目标和非水面目标有较强分辨能力的视觉特征。
其次,由于水面和非水面目标的类型极为众多,为了获得好的检测效果,必须获得大量的正、负数据样本对分类器进行训练。
因此,如何从已有的图像数据集中挖掘出大量有价值的正、负样本是关系到目标检测最终效果的重要研究内容。
最后,我们也将研究如何在统一的理论框架下综合利用目标的局部和整体特征信息,以获得更加鲁棒的水面目标检测结果。
(4)水面目标类型识别技术
在完成了对水面目标的检测后,接下来我们将对目标的具体类别进行判断和识别,比如该水面目标是军舰、民船或者一般性的水面漂浮物等。
直接利用目标整体的描述特征,不容易将它们有效地区分开。
因此,我们将基于有监督学习的思想,挖掘出具有较强目标类型辨识能力的目标局部组件,利用这些有价值的局部信息,设计出有效的目标类型分类和识别算法。
(5)集成软件系统的研制
在完成了各单项研究内容后,接下来我们将重点研究如何将各单项技术进行集成,最终形成一套面向无人艇应用的目标检测识别技术集成软件系统。
该系统可投入到实际的水面环境测试中。
图2部分水上目标。
四、技术途径
本课题组针对复杂场景条件下目标检测识别的研究问题已经积累了大量的研究经验,并取得了多项重要的研究和工程化成果。
针对水上目标检测识别的问题,本课题组基于已有的数据,已经开展了相关的预研工作,并且已经取得了技术上的多项突破。
接下来,我们将
图3水上目标检测识别算法整体流程。
详细介绍水上目标检测识别的主要技术途径。
接下来所展示的所有结果图像,都是通过本课题组已有算法所获得。
图2所示的为部分水上目标,我们可以看到其所对应的水面环境复杂,其目标类型众多。
针对以上目标,本课题的主要技术途径如图3所示。
我们将首先对待检测图像进行目标性和显著性分析,快速确定目标潜在区域。
接下来,我们将在目标潜在区域中完成对目标的进一步确认,并且对目标类型进行识别。
对待检测图像首先进行目标性和显著性分析的目的主要有两点:
(1)通过以上分析可有效克服水面和气候条件对目标检测识别算法的影响,通过搜索获得目标最可能的潜在区域,能有效降低目标检测识别算法的虚警率,提高算法的有效性和鲁棒性;
(2)快速获取目标的潜在区域,可有效降低目标检测识别过程中的图像空间遍历复杂度,从而满足无人艇应用所面临的高实时性要求。
在最终的目标确认与识别过程中,同时考虑目标整体与局部信息的原因在于,整体信息有利于确定目标大尺度的类别信息(比如,是否为真实的水面目标),而局部信息有利于获取目标较为精细的类别信息(比如,是水面舰船或者一般性漂浮物)。
将两种信息融合非常有利于我们对潜在目标区域的确认和类型判别。
接下来,我们将分小节介绍各单项技术。
图像目标性分析
自然场景图像一般化分为前景和背景,人对前景的认知首先判断是不是目标,再分析目标的类别。
然而,因为目标形状(如200*50和50*200的长方形等)和尺度(如128*128和32*32的正方形)的极其多样化,大大增加了直接进行目标识别的难度以及计算复杂度。
因此,目标性作为目标识别的预处理方法在最近几年被广泛研究。
目标性是指在超出类别信息的层面上进行是否为目标的判断,并将少量的候选区域(如200个包含形状和尺度信息的矩形框)提供给后续的识别算法。
目标性的优势在于:
(1)超类别信息;
(2)相对运算效率高;
(3)极大压缩目标候选区。
图4所示的是图像中目标区、过渡区和非目标区的对比图。
目前,目标性的方法研究主要围绕基本属性中的第一和第二两个具有普适性的属性开展。
一类方法通过HOG,SIFT等方法提取边缘、关键点的特征,进行目标区域的提取;
另外一些方法对场景进行多尺
度显著性、局部颜色对比度、边缘密度以及超像素分析,采用贝叶斯估计对分析结果进行融合,给出最终的目标候选区;
还有一些方法针
对图像采用分割算法得到过分割的小区域,然后分别采用颜色相似性、纹理相似性、大小相似性以及区域隶属关系对过分割的小区域进
目标区
过渡区
非目标区
图4目标区,过渡区和非目标区对比图。
行合并,最终对所得到的候选区进行排序;
此外,也有针对不同的类别进行边缘特征训练,构建级联SVM分类器,结合尺度金字塔对图像进行搜索排序,得到最终候选区的技术途径提出。
虽然,已有的目标性方法很多,但是它们普遍存在特征提取复杂,多线索候选区合并排序难度大,实用性差的问题。
因此,为了将目标性的概念成功地应用于水面目标的检测和识别,必须大幅提高其运行效率。
目前,我们已经在相关的工作上取得了较大的技术突破,使目标性算法的检测性能和效率都得到了极大的提升,具备了实际应用的价值(处理500*300的RGB图像仅需要几毫秒到十几毫秒,200候选区召回率达到90%)。
改进的目标性算法的主要原理如图5所示。
其中核心技术包括:
(1)级联分类的设计
通过对目标和非目标进行分类器训练,设计多级级联分类器,分别进行层内滑动窗的分析和层间分析。
图5目标性原理框图。
(2)伪目标区剔除
之前很多方法获得的候选区的虚警率非常高,因此本实验室通过分析目标的特性对伪目标区进行剔除,进一步提炼候选区。
接下来我们将展示一些针对水面目标图像的目标性分析结果。
图6所示的为相关的结果,不需要任何目标类别信息,我们直接对水面上各类目标进行潜在区域提取,如果不考虑距离非常远的目标,仅需要200个候选区便能满足中远距离和近距离目标的抓取。
而如果采用传统的多尺度滑动窗搜索方法对一张500*300的图像进行不同大小的目标提取,需要一万到十几万个侯选区才能达到同等的效果。
因此,通过对待检测图像进行有效地目标性分析可大大减少后续识别算法的工作量和难度。
图6水面目标的目标性分析结果(左上角为候选框的序号:
如7代表目标出现在目标候选框序列中第7个位置)。
图像显著性分析
视觉显著性源于视觉的一些基本特性,如独特性,不可预测性,以及奇异性等。
该领域的学者普遍认为这些特性是被图像中的一些属性如颜色、梯度和边缘等低层次特征所刺激以及驱动。
目前在诸多科
图7图像显著性检测流程。
学领域如认知心理学、神经生物、以及计算机视觉在内的多个学科中均被研究。
由于我们可以通过获得的较为显著的区域来选择性的处理图像相关区域,并以此来优化分配计算资源,所以显著性区域提取对于水面目标检测识别具有很重要的意义,它可以与目标性分析的结果相融合,形成互补,从而更好地确定水面目标的潜在区域。
本课题进行图像显著性分析的主要流程如图7所示,首先对每幅图像进行超像素分割。
在超像素分割的基础上,对图像进行局部和全局显著性分析,最后将局部和全局显著性分析结果进行融合,得到全图的显著性分析结果。
其中的关键技术包括:
(1)利用连续分布估计来对超像素进行描述。
在参数空间中与常见的欧式距离、CHI距离或是KLD距离相比,我们的测度更加精确且稳定。
(2)提出了“显著性流”的概念,在局部显著性图上,该方法能够在平衡目标内部区域的同时,也平滑背景区域中被错误增强的部分。
(3)整个算法只有一个自定义参数,具有较好的适应性。
图8所示的为部分图像显著性分析结果。
我们可以看到,在各种水面和气候条件下,针对不同类型、不同大小远近、不同视角和不同姿态的水面目标,本课题组所提出的图像显著性分析方法都能给出很好的目标显著性分析结果。
该分析结果通过与目标性分析结果相结合,将非常有助于后续的目标检测与识别。
图8图像显著性分析结果(图像中灰度值越高的部分,其所代表的显著
- 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:
- 最新 面向 无人 应用 目标 检测 项目 建议书