CN101656883B - 基于最小二乘支持向量机运动预测的实时补偿方法 - Google Patents
基于最小二乘支持向量机运动预测的实时补偿方法 Download PDFInfo
- Publication number
- CN101656883B CN101656883B CN 200910152568 CN200910152568A CN101656883B CN 101656883 B CN101656883 B CN 101656883B CN 200910152568 CN200910152568 CN 200910152568 CN 200910152568 A CN200910152568 A CN 200910152568A CN 101656883 B CN101656883 B CN 101656883B
- Authority
- CN
- China
- Prior art keywords
- motion
- real
- compensation
- motion prediction
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 15
- 239000000523 sample Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种稳定成像系统中基于最小二乘支持向量机运动预测的实时补偿方法。该方法首先建立一个最小二乘支持向量机运动预测模型并设定参数，然后收集成像系统运动探测数据对运动预测模型进行训练，接着每当输入当前时刻获取的运动矢量值，就能输出未来某时刻的运动矢量预测值，最后稳定补偿系统将运动预测值经数模转换生成补偿量来控制补偿机构对当前相机运动进行实时补偿。本发明能够在相机运动模型未知的情况下，快速并准确地预测出相机当前的运动状态，从而达到对运动探测延迟预估补偿的目的，实现相机运动的实时补偿，能够提高稳定成像系统的工作性能。
Description
技术领域
本发明涉及计算机成像技术领域，尤其涉及一种稳定成像系统中基于最小二乘支持向量机运动预测的实时补偿方法。
背景技术
数字成像技术已经普遍应用于航天/航空遥感、军事侦察、民用摄影摄像等领域。在摄像装置成像过程中，由于摄像装置载体，如卫星、飞机、车辆、船舰等的颤震、振动或者拍摄者的手部抖动，引起图像传感器成像积分时间内的像面抖动，进而导致获得的图像模糊、分辨率降低，图像质量退化。
主动稳定成像即是一种通过实时运动探测，利用机械、光学或数字等处理手段，主动地补偿成像载体运动或像面抖动，从而使得能够获取清晰图像或稳定视频的技术。其中，基于高速图像探测及数字图像相关计算的像面运动探测方法是稳定成像系统中主要的运动探测方法之一。然而，对于运动补偿伺服控制系统来说，从运动探测到伺服控制存在一定的延迟时间，其中包括探测相机积分延迟、运动矢量计算延迟、D/A转换延迟以及电路通讯延时等。探测相机积分延迟主要和相机积分时间、运动矢量计算时间及补偿策略有关，是系统中最主要的延迟。长延时会严重影响补偿系统的带宽及跟踪精度(王连明，机载光电平台的稳定与跟踪伺服控制技术研究，博士学位论文，中国科学院长春光学精密机械与物理研究所，2006)。
Smith预测控制在理论上很好地解决了纯滞后系统控制问题，但是需要预先知道被控对象的精确数学模型，然而相机实际振动情况具有不确定性，缺乏对相机振动精确的数学描述，因而传统的Smith预测控制方法难以适用(不确定时滞系统的自适应支持向量机Smith预估控制)。BP神经网络是一种在模式识别和函数逼近中广泛应用的方法，可以用来模拟任意复杂的非线性关系，能够对运动矢量进行预测。但是，BP神经网络方法的泛化能力较差，无法满足稳定成像系统对预测精确及稳定性的要求；其运算速度也较慢，较难达到实时预测输出的要求；此外，网络初始结构参数(主要是隐含层神经元数量)难以确定，可操作性较差。
支持向量机(SVM，Support Vector Machine)是一种基于统计学习理论的模式识别方法，建立在结构风险最小化准则上，其泛化能力优于一些传统的学习方法。SVM主要用于解决模式分类和函数逼近问题，在解决小样本、非线性及高维模式识别问题中都有优异表现，并能够推广应用到函数拟合等其他问题中。最小二乘支持向量机(LS-SVM，Least SquaresSupport Vector Machine)是标准支持向量机的扩展，它采用改进的最小二乘方法来解决支持向量机中的最优超平面求解问题，使得该优化问题中的不等式约束变为等式约束，从而大大降低了计算的复杂度，提高了运算速度。
发明内容
本发明提供一种稳定成像系统中基于最小二乘支持向量机运动预测的实时补偿方法。
一种稳定成像系统中基于最小二乘支持向量机运动预测的实时补偿方法，其特征在于，步骤如下：
(1)建立一个最小二乘支持向量机的运动预测模型，并设定模型参数。
构建一个具有k个输入和单个输出的最小二乘支持向量机运动预测模型f，使得任意时刻的模型输出xn可以表示为
xn＝f(xn-m，xn-m-1，...，xn-m-k+1)
将k个连续的运动探测矢量输入到运动预测模型，即能够输出m时刻后的运动预测值。
选择径向基核函数(RBF)作为本方法最小二乘支持向量机运动预测模型的核函数，模型参数包括正则化参数及径向基核函数宽度。两个参数在很大程度上决定了最小二乘支持向量机的学习和泛化能力，可以通过交叉验证或贝叶斯统计等方法得到合适的参数组合，使得模型具有最好的预测性能。
如果k值过小，会使得输出预测值精度较低，在本发明中k值选择大于10即可。
(2)收集成像系统的运动探测数据，对运动预测模型进行训练。
成像系统的运动探测数据可以通过陀螺、线性加速度计等惯性敏感器件对加速度进行时间积分后获得；也可以通过安装辅助图像传感器获取序列图像，利用灰度投影法、相位相关法等数字图像相关算法计算序列图像的帧间运动矢量来获得。
收集N个连续的运动探测数据，对运动预测模型进行训练，得到f的表达形式。样本数量N的大小与训练得到的模型精度有关，样本数量如果太少，会使得训练得到的预测模型不够准确，降低预测输出的精度。在本发明中，N的取值与振动频率及辅助相机采样速率有关，一般大于100即可。
(3)将当前时刻获取的成像系统的运动矢量值输入至训练完成的运动预测模型，即可输出未来某时刻的运动矢量预测值，经过数模转换，生成补偿机构的补偿控制量。
构建一个长度为k的运动探测矢量缓存区，将探测得到的运动矢量连续输入至缓存区，当输入第k个运动矢量时，利用这k个输入即可输出m时刻后的运动矢量预测值。继续输入运动矢量，丢弃缓存区中最先输入的运动矢量，其他值依次向前移动一个位置，利用更新后的k个运动矢量即可输出相应m时刻后的运动预测值。运动预测值经过数模转换，输入至补偿机构驱动器实现成像系统的实时运动补偿。
本发明具有的有益的效果是：
本发明提供一种稳定成像系统中基于最小二乘支持向量机运动预测的实时补偿方法，能够在相机运动模型未知的情况下，快速并准确地预测出相机当前的运动状态，从而达到对运动探测延迟预估补偿的目的，实现相机运动的实时补偿，能够提高稳定成像系统的工作性能。
附图说明
图1是本发明基于最小二乘支持向量机运动预测的实时补偿方法的原理图；
图2是一个稳定成像实验演示与验证系统的示意图；
图3是本发明基于最小二乘支持向量机运动预测的实时补偿方法的流程图；
图4是基于图像相关的运动探测方法的流程图；
图5是无运动预测的补偿信号与振动信号之间的延迟图；
图6是采用运动预测的补偿信号与振动信号之间的延迟图。
具体实施方式
本发明稳定成像系统中基于最小二乘支持向量机运动预测的实时补偿方法如图1，在稳定成像系统中构建一个基于最小二乘支持向量机的运动预测模型，然后利用运动探测器获取的运动矢量对模型进行训练，接着当新的运动矢量输入至预测模型后，能够输出表征当前运动状态的未来某时刻的运动矢量预测值，经过数模转换后生成补偿机构的控制量，实现实时运动补偿。
图2是一个开环稳定成像实验演示与验证系统的示意图。成像标板1放置于压电平移台2上，由环形排列的LED光源3均匀照明，经平行光管4准直出射，形成成像景物与振动环境。出射光线被反射镜5、反射镜6两次反射后进入主成像镜头7，经粘贴于压电偏转台8上的补偿反射镜9反射，将中心视场成像在主成像相机10上，边缘视场则从补偿镜边缘通过，成像于探测相机11上。实验系统工作时，首先对压电平移台施加二维振动，带动成像标板运动，以模拟空间相机与地面景物的相对振动；然后，由探测相机测量像面运动矢量，计算补偿量，对与补偿镜刚性相连的压电偏转台施加执行指令，补偿目标图像运动，保持主成像相机曝光时间内焦面图像的稳定。
结合图3，本发明稳定成像系统中基于最小二乘支持向量机运动预测的实时补偿方法，步骤如下：
第一步，构建一个基于最小二乘支持向量机的运动预测模型，用于模型训练的运动矢量样本总数为N，具有k个输入和单个输出，预测输出m个时刻后的运动矢量。本实施例中，取N＝200，k＝12，m＝2。
第二步，程序进入处理线程后，判断系统当前是否处于补偿状态(步骤S301)，由于程序刚开始工作，因此还未处于补偿阶段(步骤301满足条件“否”)，计数器加1(步骤S302)，接着进行运动矢量探测(步骤S303)。在本实施例中采用数字图像相关方法，计算相邻帧图像之间的运动矢量，结合图4来说明运动探测方法的流程图。如果获取的为第1帧图像(步骤S401满足条件“是”)，则将图像作为参考图像(步骤S402)，放入图像缓存(步骤S403)，结束探测并等待下一帧图像。当获得下一帧图像后(步骤S401满足条件“否”)，作为当前图像(步骤S404)，并利用亚像素灰度投影法或相位相关法等数字图像相关算法计算缓存的参考图像和当前图像之间的运动矢量(步骤S405)，计算完成后更新参考图像(步骤S406)，即将当前图像作为新的参考图像，并放入图像缓存(步骤S403)。完成一次运动探测后，得到前后帧之间的运动矢量，判断LS-SVM运动预测模型是否已经训练(步骤S304)。由于程序刚开始工作，还未对模型进行训练(步骤S304满足条件“否”)，判断获取的运动矢量长度是否满足训练要求的样本数N(步骤S305)。如果获取的运动矢量长度还不足N(步骤S305满足条件“否”)，则结束线程，等待程序再一次进入处理线程。如果获取的运动矢量长度等于N(步骤S305满足条件“是”)，则开始对LS-SVM运动预测模型进行训练(步骤S306)，在训练完成后清空计数器(步骤S307)并结束线程。
第三步，当程序下一次进入处理线程时，程序仍未处于补偿状态(步骤S301满足条件“否”)且预测模型已经完成训练(步骤S304满足条件“是”)，将运动矢量探测值输入至预测模型(步骤S308)。由于构建的预测模型具有k个输入，因此直至从第k个运动矢量被输入后，模型才开始输出m时刻后的运动矢量预测值。对输入个数进行判断(步骤S309)，如果输入个数未达到k个(步骤S309满足条件“否”)，结束处理线程，继续收集输入运动矢量。当输入的运动探测矢量个数达到k个时(步骤S309满足条件“是”)，即输出m时刻后的运动矢量预测值，经过数模变换为补偿控制量(步骤S310)，并将程序置为补偿状态(步骤S311)。当再一次进行处理线程，程序处于补偿状态(步骤S301满足条件“是”)时，立即输出补偿控制量至补偿驱动器(步骤S312)。
图5和图6是在图2所示的稳定成像实验演示与验证系统中进行实验所获取的示波器图形，反映了补偿信号与振动信号之间的相位延迟，其中图5中没有采取运动预测，直接将运动矢量探测值转换为补偿控制量，图6中采取了本发明的基于最小二乘支持向量机运动预测方法，训练样本数为200，模型输入数为12，预测输出2个时刻后的运动矢量。实验标板振动频率为5Hz，幅度为10个像素，探测相机采样频率为100帧/秒，运动探测算法为亚像素灰度投影法，通过构建运动矢量预测模型，将运动矢量预测值转换补偿控制量，可以有效的对运动补偿相位滞后进行校正，提高稳定成像系统的工作性能。
Claims (3)
1.一种基于最小二乘支持向量机运动预测的实时补偿方法，其特征在于，步骤如下：
(1)建立一个最小二乘支持向量机的运动预测模型，并设定模型参数；
(2)收集成像系统的运动探测数据，对运动预测模型进行训练；
(3)将当前时刻获取的成像系统的运动矢量值输入至训练完成的运动预测模型，输出未来某时刻的运动矢量预测值，经过数模转换，生成补偿机构的补偿控制量；
步骤(1)中所述的运动预测模型f具有k个输入和单个输出，任意时刻的模型输出xn为
xn＝f(xn-m，xn-m-1，...，xn-m-k+1)。
2.如权利要求1所述的实时补偿方法，其特征在于，步骤(1)中所述的模型参数为正则化参数及径向基核函数宽度。
3.如权利要求2所述的实时补偿方法，其特征在于，步骤(3)中设置长度为k的运动探测矢量缓存区，将探测得到的运动矢量连续输入至缓存区，当输入第k个运动矢量时，利用这k个输入输出m时刻后的运动矢量预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910152568 CN101656883B (zh) | 2009-09-17 | 2009-09-17 | 基于最小二乘支持向量机运动预测的实时补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910152568 CN101656883B (zh) | 2009-09-17 | 2009-09-17 | 基于最小二乘支持向量机运动预测的实时补偿方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101656883A CN101656883A (zh) | 2010-02-24 |
| CN101656883B true CN101656883B (zh) | 2011-06-01 |
Family
ID=41710929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200910152568 Expired - Fee Related CN101656883B (zh) | 2009-09-17 | 2009-09-17 | 基于最小二乘支持向量机运动预测的实时补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101656883B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853531B (zh) * | 2010-05-25 | 2012-09-05 | 北京航空航天大学 | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 |
| CN102056182B (zh) * | 2010-12-13 | 2013-06-05 | 哈尔滨工业大学 | 一种基于ls-svm的移动话务量预测方法 |
| CN105225211A (zh) * | 2014-06-19 | 2016-01-06 | 中国航天科工集团第三研究院第八三五七研究所 | 一种基于振动提高视频分辨率的方法 |
| CN106444386B (zh) * | 2016-11-29 | 2019-03-12 | 凯迈（洛阳）测控有限公司 | 一种光电设备跟踪脱靶量时滞补偿控制方法 |
| CN107901846B (zh) * | 2017-11-07 | 2021-08-17 | 深圳创维汽车智能有限公司 | 支架调整方法、支架及计算机可读存储介质 |
| CN111340768B (zh) * | 2020-02-21 | 2021-03-09 | 之江实验室 | 一种基于pet/ct智能诊断系统的多中心效应补偿方法 |
| CN113985736A (zh) * | 2021-10-26 | 2022-01-28 | 南京信息工程大学 | 一种基于最小二乘的Smith预估器控制方法及其装置 |
| CN115297270B (zh) * | 2022-10-10 | 2023-04-18 | 长春长光睿视光电技术有限责任公司 | 一种航空光学面阵相机自动调光控制系统及其控制方法 |
-
2009
- 2009-09-17 CN CN 200910152568 patent/CN101656883B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
| Title |
|---|
| JP特开平8-79748A 1996.03.22 |
| 王连明.机载光电平台的稳定与跟踪伺服控制技术研究.《中国优秀博硕士学位论文全文数据库（博士） 工程科技II辑》.2002,第1,11,56-57,64-67页. * |
| 耿玉亮.一种鲁棒的摄像机运动分类算法.《电子学报》.2006,第34卷(第7期),1342-1346. * |
| 郑晓锋.基于运动探测光机补偿的稳像技术.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2007,1，19-22. * |
| 郭辉.最小二乘支持向量机参数选择方法及其应用研究.《系统仿真学报》.2006,第18卷(第7期),2033-2036. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101656883A (zh) | 2010-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101656883B (zh) | 基于最小二乘支持向量机运动预测的实时补偿方法 | |
| US11816585B2 (en) | Machine learning models operating at different frequencies for autonomous vehicles | |
| TWI816002B (zh) | 用於目標偵測及追蹤之神經形態視覺與框速率成像 | |
| EP2572319B1 (fr) | Procede et systeme pour fusionner des donnees issues de capteurs d'images et de capteurs de mouvement ou de position | |
| JP2758063B2 (ja) | 探索追跡装置及び探索追跡方法 | |
| CN112567201A (zh) | 距离测量方法以及设备 | |
| US20150261218A1 (en) | Remote operation system | |
| CN107532898A (zh) | 用于处理地面图像的系统和方法 | |
| CN111226154A (zh) | 自动对焦相机和系统 | |
| JP7452620B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN113177918B (zh) | 一种无人机对电力杆塔的智能精准巡检方法及系统 | |
| US11866056B2 (en) | Ballistic estimation of vehicle data | |
| WO2023147375A2 (en) | New non-invasive fully automated system identifying and classifying vehicles and measuring each vehicle's weight, dimension, visual characteristics, acoustic pattern and noise in real-time without interfering with the traffic | |
| JP2018139105A (ja) | 地理登録を通じた生センサ画像強化のための方法および装置 | |
| JP2018112543A (ja) | 地理登録を通じた生センサ画像強化のための方法および装置 | |
| Gao et al. | Drogue position measurement of autonomous aerial refueling based on embedded system | |
| WO2022141197A1 (zh) | 云台的控制方法、装置、可移动平台和存储介质 | |
| CN116485974A (zh) | 画面渲染、数据预测及其训练方法、系统及存储和服务器 | |
| Wang et al. | Aprus: An airborne altitude-adaptive purpose-related uav system for object detection | |
| CN114119465B (zh) | 一种点云数据处理方法及装置 | |
| CN110134222A (zh) | 一种vr头显定位瞄准系统及其定位瞄准方法 | |
| CN111121723A (zh) | 一种航空遥感设备工作状态参数记录系统 | |
| CN115037869A (zh) | 自动对焦方法、装置、电子设备及计算机可读存储介质 | |
| Wastupranata et al. | Convolutional neural network-based crowd detection for COVID-19 social distancing protocol from unmanned aerial vehicles onboard camera | |
| CN117237402B (zh) | 一种基于语义信息理解的目标运动预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110601 Termination date: 20130917 |