隨著無人機技術(shù)的逐漸成熟,制造成本大幅降低,無人機已經(jīng)在多個領(lǐng)域得到了廣泛應(yīng)用,在環(huán)境監(jiān)測、地質(zhì)勘探、森林防火等民用領(lǐng)域中不斷發(fā)展,并且其適用領(lǐng)域還在不斷拓展。近年來,隨著人工智能技術(shù)的興起,將無人機與人工智能結(jié)合以提高無人機的自主性成為自主導(dǎo)航領(lǐng)域的研究熱點。無人機在已知或結(jié)構(gòu)化環(huán)境中的自主飛行已取得了大量研究成果,但在沙漠、森林等非結(jié)構(gòu)化環(huán)境中的技術(shù)仍不夠成熟。在復(fù)雜的森林環(huán)境中,無人機通過識別森林步道飛行是一種安全有效的行進方式。因此,如何準確快速地識別森林步道是研究的關(guān)鍵。卷積神經(jīng)網(wǎng)絡(luò)因其泛性強、魯棒性高的優(yōu)點在圖像識別和分類領(lǐng)域中取得突出成果,成為如今路徑識別方面的主流技術(shù)之一。針對無人機在森林環(huán)境下的自主飛行,本文提出一種基于深度殘差網(wǎng)絡(luò)的雙列深度神經(jīng)網(wǎng)絡(luò)模型——2CDNN,該網(wǎng)絡(luò)模型通過識別森林步道來判斷無人機飛行方向,確保無人機始終沿著森林步道飛行。本文首先將圖像進行CIELab顏色空間轉(zhuǎn)換以保留更清晰的邊緣特征,再利用直方圖均衡結(jié)合邊緣提取的方法獲取特征圖。將RGB圖與特征圖作為兩路并列的深度殘差網(wǎng)絡(luò)的輸入,以提取森林場景中的色彩與紋理特征,最終根據(jù)網(wǎng)絡(luò)分類結(jié)果來確定... 

【文章來源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

不同天氣情況下的路徑

第1章緒論51.3森林步道識別難點在理想環(huán)境的條件下（例如確定的道路類型、相同的光照條件等），即使是沒有明顯特征的未鋪設(shè)道路，其識別性能也已取得了良好的效果。但是現(xiàn)實世界往往存在光照變化、遮擋、陰影、天氣等多方面的影響，因此，在理想情況下的路徑識別性能還遠遠不能滿足現(xiàn)實世界下的應(yīng)用要求。針對于森林步道的識別困難主要體現(xiàn)在以下幾個方面：1)不同的天氣情況不同的天氣會導(dǎo)致森林步道的特征差異性很大，常常會將同一場景表現(xiàn)出不同的紋理屬性。比如下雨、有霧的情況會導(dǎo)致圖像中步道模糊，下雪天氣則會遮擋步道導(dǎo)致特征缺少或丟失，從而使得路徑識別有誤；圖1-1不同天氣情況下的路徑2)不同的光照條件光照的不同會導(dǎo)致圖像的對比度和亮度發(fā)生變化，如圖1-2所示，當光照較強時常常會在圖像中留下光斑；此外，由于森林環(huán)境的特殊性，路徑周圍都是高大的樹木，因此，伴隨著光照的往往會是樹木在地上的投影，這些陰影對于步道的識別也有著很大的影響；圖1-2不同光照條件下的路徑3)不同的道路類型森林步道一般為人為踩出來的小路，因此沒有標準的道路類型，如圖1-3所示。這些步道的寬度、彎曲程度、形狀多樣，給路徑識別帶來了一定困難；

天津大學(xué)碩士學(xué)位論文6圖1-3不同道路類型4)遮擋物的影響。復(fù)雜的森林環(huán)境下會出現(xiàn)各式各樣的物體對森林步道進行遮擋，像是車輛、垃圾、落葉等等，此類情況會明顯增大辨識路徑的難度，如圖1-4所示。圖1-4遮擋物對道路的影響針對以上提到的森林步道的識別難點，路徑識別算法必須能夠處理復(fù)雜和未知的場景，能夠在多種狀況干擾下獲取準確的路徑信息。以往的路徑識別工作大都集中在城市道路、高速公路等場景，主要應(yīng)用于地面車輛的自動駕駛領(lǐng)域。用于無人機復(fù)雜環(huán)境下搜救應(yīng)用場景的路徑識別技術(shù)研究較為少見�；谏窠�(jīng)網(wǎng)絡(luò)的路徑識別算法[37][38]是少有的針對該應(yīng)用場景下的技術(shù)研究，算法能夠通過簡單的端對端網(wǎng)絡(luò)實現(xiàn)路徑跟蹤，并且相較于傳統(tǒng)方法具有魯棒性高，適用范圍廣的優(yōu)點。但在森林環(huán)境中，路徑邊緣模糊，樹木分布不勻，不可避免地會出現(xiàn)低密度的森林場景。上述兩種方法在此類場景下會出現(xiàn)嚴重誤判，大大降低無人機路徑跟蹤的安全性和穩(wěn)定性。針對這個問題，本文提出一種基于多列深度神經(jīng)網(wǎng)絡(luò)的方法，該方法通過建立一個雙列深度神經(jīng)網(wǎng)絡(luò)模型——2CDNN，將相機獲取的RGB圖及其邊緣與紋理特征作為輸入，利用網(wǎng)絡(luò)自主學(xué)習(xí)預(yù)測3種飛行方向（左轉(zhuǎn)/直行/右轉(zhuǎn)）的概率，在保證高密度場景中路徑識別準確率的前提下，大大提高在低密度場景下的識別準確率，從而提高無人機在森林環(huán)境下進行搜索救援的安全性和可靠性。

【參考文獻】：
期刊論文
[1]Road model prediction based unstructured road detection[J]. Wen-hui ZUO,Tuo-zhong YAO.  Journal of Zhejiang University-Science C（Computers and Electronics）. 2013(11)
[2]基于主元神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化道路跟蹤[J]. 李青,鄭南寧,馬琳,程洪.  機器人. 2005(03)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號：2911609