CN105654500A - 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 - Google Patents
基于仿生鸽群优化视觉注意机制的无人机目标检测方法 Download PDFInfo
- Publication number
- CN105654500A CN105654500A CN201610068933.3A CN201610068933A CN105654500A CN 105654500 A CN105654500 A CN 105654500A CN 201610068933 A CN201610068933 A CN 201610068933A CN 105654500 A CN105654500 A CN 105654500A
- Authority
- CN
- China
- Prior art keywords
- operator
- brightness
- iterations
- image
- target detection
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明是基于仿生鸽群优化视觉注意机制的无人机目标检测方法,包括步骤如下:步骤一:利用无人机搭载相机获取航拍图像;步骤二:利用视觉注意机制计算图像显著图;其中包括:1、提取图像特征,2、将特征合成为显著图;步骤三:初始化鸽群优化算法参数;其中包括:1、初始化优化参数维数D,2、初始化种群数量Np,3、初始化种群位置和速度,4、设置算法迭代次数,5、设置罗盘因数;步骤四:设计代价函数;步骤五:利用鸽群算法计算最佳显著图。在给定目标图像的前提下,可以利用本方法找出目标图像在采集图像中的大体位置,以帮助对于该区域的进一步处理。本方法快速准确,对实现无人机的态势评估和自主决策提供基础与帮助。
Description
【技术领域】
本发明是一种基于仿生鸽群优化视觉注意机制的无人机目标检测方法,属于无人机自主决策与控制技术领域。
【背景技术】
无人机(即UnmannedAerialVehicle,UAV)是无人驾驶飞行器的简称,依靠无线电遥控设备和内置的程序控制装置操纵,根据应用领域,可分为民用与军用两种。军用无人机以大型固定翼机为主,如美国的全球鹰、X-47B等,可用于情报侦察,作为雷达诱饵等任务。携带武器的无人机也可用于目标打击,战略对抗。由于其零伤亡的特点,已成为各国军事研究的重点方向。民用无人机则以旋翼为主,固定翼为辅,在航拍,测绘,农业植保,资源勘探等领域发挥着引人注目的作用。可以说,自上世纪90年代至今,无人机的研发与应用迎来了一次发展的热潮。
现阶段无人机仍以远程主动控制为主要的操控方式,只有在某些固定路线的任务中才可以实现自主飞行、拍摄、测量等任务。地面控制端必须与无人机保持一定的距离避免超出控制范围,这使得无人机的应用产生了很大的局限性。在这样的情况下,智能化成为无人机研究与发展的一个重要方向。所谓智能化,就是要求无人机具有目标搜索与识别,障碍物规避,路径规划等功能,最终实现自主定位与导航。这不仅要求无人机对周围环境的感知,也需要其对自身状态信息的准确认识,并依据这些信息的综合情况进行智能决策。
实现这些功能的重要基础就是准确而且快速的目标检测。对周围环境的认知可以通过包括超声探测,红外传感器,光学传感器等获得相关信息,其中光学传感器的应用尤为广泛。通过光学传感器获得图像后进行目标检测、识别,无人机即可获得丰富的环境信息,以便对自身位置姿态和目标以及障碍物进行态势评估,从而提供导引信息,实现自主决策与导航。相较于其他方法,视觉测量的优势在于只需要附加摄像头而成本低廉,方便实用,而且不易受外界电磁信号等干扰,获得信息准确而稳定。基于此,视觉测量近年来受到了越来越多的关注,得到了广泛的研究和应用。本专利即将一种仿生的计算机视觉的方法应用于无人机目标检测。
在复杂场景的目标检测中,为了减少计算量从而缩短目标识别所用的时间,首先要做的是确定目标在图像中的位置,从而仅对特定区域进行进一步的识别与判断。本方法中采用视觉注意的方法进行目标区域的确定与选取。视觉注意(即VisualAttention)机制存在于人的视觉系统中,可以辅助我们在复杂的场景中有效地选择显著目标。Koch和Ullman提出了视觉注意模型用于模拟人类这一机制,以达到在图像处理中寻找目标的目的。这一算法的优点是不需要依赖自顶向下的先验信息即可获得人类所具有的自底向上得到的显著区域结果。算法原理是,输入的图像首先根据颜色、亮度和方向信息分解为一系列的特征图,然后这些特征图乘以特定的系数后线性相加得到显著图。在这一过程中可以使用一些处理方法以得到更好的结果,如本方法中即利用鸽群优化算法优化各特征图的所占比例,从而获得最优的显著图。最后,根据“胜者为王”(即Winner-Take-All,WTA)和禁止返回的策略确定显著图中最明显的区域。
鸽群优化(即Pigeon-InspiredOptimization,PIO)算法是一种新近发展的智能优化算法。该算法受到鸽群归巢行为的启发,根据鸽子会在旅程的不同阶段使用包括磁场和地标在内的不同导航工具,实现寻的目的这一特性,提出相应的算子,建立不同的搜索机制,并将它们结合起来解决优化问题。
(1)地图和指南针算子
地图和指南针算子模拟了地球磁场和太阳对鸽子的导向作用。鸽子根据对磁场的感知在大脑中绘制地图,并根据太阳的角度确定地图方向。这一算子对鸽子寻的行为的影响会随着鸽群向目的地逼近的过程减小。在D维搜索空间中,第i只鸽子的位置为Xi,速度为Vi,在随机初始化后,每只鸽子根据下式更新状态:
Vi(t)=Vi(t-1)·e-Rt+rand·(Xg-Xi(t-1))(1)
Xi(t)=Xi(t-1)+Vi(t)(2)
式中t表示当前迭代至第t代,R是地图和指南针因数,Xg则表示通过比较当前代数下各鸽子的位置而得到的全局最优位置。在经过指定次数的循环后,地图和指南针算子的应用结束,地标算子接替它们继续下一步工作。
(2)地标算子
地标算子则是模仿地标对鸽子的影响。当鸽群接近目的地时鸽子会依靠熟悉的地标直接寻找目的地。其中因为不熟悉地标而远离目的地的鸽子会跟随熟悉地标的鸽子飞行最终到达目的地。地标算子在工作过程中会在每次迭代循环中将鸽子的总数Np减半,目的是通过排序将那些对地标并不熟悉的鸽子的位置设为鸽群中心位置Xc,也就是达到让其跟随鸽群飞行的目的。更新规则符合下式:
Xi(t)=Xi(t-1)+rand·(Xc(t)-Xi(t-1))(5)
其中fitness(·)定义为鸽子个体的品质因数,在不同的问题中(最大化或最小化),计算方式也有不同。上述迭代循环在达到预设最大循环次数后停止。鸽群算法优化视觉注意的算法示意图如图1所示。
【发明内容】
1、发明目的:
本发明提出了一种基于仿生鸽群优化视觉注意机制的无人机目标检测方法,其目的是提供一种应用在无人机平台上的目标检测方法,为无人机态势评估与自主决策提供基础。
2、技术方案:
本发明利用智能优化算法全局搜索能力强,应用性广等特点,开发一种基于仿生鸽群优化视觉注意机制的无人机目标检测方法,该方法的步骤如下:
步骤一:利用无人机搭载相机获取航拍图像
无人机搭载工业相机,实时拍摄采集图像。
步骤二:利用视觉注意机制计算图像显著图
(1)提取图像特征
利用RGB颜色空间模型提取亮度特征,r,g,b分别表示输入图像的红、绿、蓝三个通道,则图像亮度可由I=(r+g+b)/3表示。为了消除亮度和颜色通道之间的关系,用亮度I标准化三个颜色通道,则调整后的颜色通道表示为
其中R,G,B分别表示红、绿、蓝三色,而Y表示黄色。需要注意的是,负值归为0。根据大脑皮层对颜色信息的处理过程,可由以下公式获得红绿和蓝黄的颜色特征图
令O(θ)表示当前位置方向,其中θ∈{0°,45°,90°,145°}。则输入图像在不同通道上有不同尺度的高斯金字塔。亮度、三个颜色通道和不同方向上的高斯金字塔表示为I(σ),R(σ),G(σ),B(σ),Y(σ),O(σ,θ),
其中σ∈[0,8]表示不同的尺度,θ∈{0°,45°,90°,145°}则表示方向。
(2)将特征合成为显著图
中央周边差算子在平滑的中央尺度和粗糙的周围尺度之间生成特征图。这一操作类似于视觉感受野的功能。操作如下式
其中,θ∈{0°,45°,90°,145°},Θ为对不同尺度特征图c和s之间进行计算,c∈{2,3,4},s=c+δ,δ∈{3,4}.
公式(8)计算得42幅特征图,包括6幅亮度特征图,12幅颜色特征图和24幅方向特征图。接下来需要通过下式计算原始输入图像的显著图:
其中K1i,K2j,K3k分别是亮度、颜色和方向图的加权系数。
步骤三:初始化鸽群优化算法参数
(1)初始化优化参数维数D
由于需要计算加权线性方程最优加权系数,该方程中共有42个系数需要优化,所以D为42。
(2)初始化种群数量Np
种群数量Np对算法的优化效果影响很大。种群数量较小时易陷入局部最优;当种群数量较大时,算法收敛效果较好,但计算耗时将延长。因此,种群数量的设定需要根据问题的实际情况设定,做到兼顾算法的准确与速度。
(3)初始化种群位置和速度
种群在解空间中的位置和速度都是随机初始化的结果。初始化依据下式进行:
Xi=Xl+rand·(Xh-Xl)(10)
式中,rand为0到1之间的随机数。Xh和Xl分别表示给定的最大值和最小值。
(4)设置算法迭代次数
算法迭代次数对算法的优化效果影响很大。当算法迭代次数过少,会使算法没有得到最优解即停止;当迭代次数过大时,算法可能早已收敛。此算法中需要对两个分别设置迭代次数上限。
(5)设置罗盘因数
罗盘因数作为固定参数,需要通过多次测试获取最佳结果。可以认为设定成0-1范围内的数。该因数在一定程度上决定了算法的收敛速度和计算准确度。
步骤四:设计代价函数
代价函数直接决定算法表现的优劣。由于本方法中需要计算的是解空间中的最佳位置,定义代价函数为信噪比,其中信号是指所选择的显著区域的平均亮度,噪声则是指显著图背景的平均亮度。本方法首先通过多次试验得出信噪比较高的情况下线性方程的系数,并将该组系数用于测试图中以得到较好的显著图。
步骤五:利用鸽群算法计算最佳显著图
首先需要在初始化参数的情况下计算代价函数,通过对比得出当前鸽群中个体的最佳位置。然后运行地图和罗盘算子,更新每一只鸽子的速度和位置,比对代价函数得出最佳位置,直到达到设置的地图和罗盘算子的迭代次数上限停止该算子,运行地标算子。根据当前鸽子所在未知的代价函数对鸽子排序,忽略排序在后半的鸽子个体,计算其余鸽子的中心位置,设置该位置为目标,调整鸽子的飞行方向。当迭代次数达到所设置的迭代上限时停止地标算子。
步骤六:储存结果并验证
当算法停止寻优后,记录当前的全局最优位置,也即所求的加权系数。重复上述步骤,对多幅图进行训练,并计算多组加权系数的平均值,作为测试图的最优加权系数。在每一次寻优过程中保存迭代曲线。
3、优点及效果:
本发明提出了一种基于仿生鸽群优化视觉注意机制的无人机目标检测方法。在给定目标图像的前提下,可以利用本方法找出目标图像在采集图像中的大体位置,以帮助对于该区域的进一步处理。本算法快速准确,对实现无人机的态势评估和自主决策提供基础与帮助。鸽群算法优化视觉注意的算法流程图如附图2所示。
【附图说明】
图1为鸽群算法优化视觉注意算法示意图。
图2为鸽群算法优化视觉注意算法流程图。
图3为5幅训练图像的进化曲线。
图中标号及符号说明如下:
Nc——优化算法迭代次数;
Nc1max——地图与罗盘算子迭代次数;
Nc2max——地标算子迭代次数;
N——不满足条件(否);
Y——满足条件(是)。
【具体实施方式】
下面通过一个具体的无人机目标检测实例来验证本发明所提出的目标检测方法的有效性。本方法计算机使用IntelNUC,配置为i7-5600U处理器,2.60GHz主频,8G内存,算法使用软件为MATLAB2012b版本。
本实例的具体实现步骤如下:
步骤一:利用无人机搭载相机获取航拍图像
利用无人机搭载大恒工业相机及IntelNUC机载处理器,将无人机飞行至一定高度后,运行相机连续采集程序,拍摄得到航拍图像
步骤二:利用视觉注意机制计算图像显著图
(1)提取图像特征
利用RGB颜色空间模型提取亮度特征,r,g,b分别表示输入图像的红、绿、蓝三个通道,则图像亮度可由I=(r+g+b)/3表示。为了消除亮度和颜色通道之间的关系,用亮度I标准化三个颜色通道,则调整后的颜色通道表示为
其中R,G,B分别表示红、绿、蓝三色,而Y表示黄色。需要注意的是,负值归为0。根据大脑皮层对颜色信息的处理过程,可由以下公式获得红绿和蓝黄的颜色特征图
令O(θ)表示当前位置方向,其中θ∈{0°,45°,90°,145°}。则输入图像在不同通道上有不同尺度的高斯金字塔。亮度、三个颜色通道和不同方向上的高斯金字塔表示为I(σ),R(σ),G(σ),B(σ),Y(σ),O(σ,θ),
其中σ∈[0,8]表示不同的尺度,θ∈{0°,45°,90°,145°}则表示方向。
分别在颜色、亮度和方向通道分离出输入图像不同通道上的特征。对每个特征利用平滑和降采样生成图像的高斯金字塔。分解为1个亮度特征,2个不同的颜色特征,4个不同的方向,8个不同的图像尺度。分解方法参照以上两式。
(2)合成显著图
中央周边差算子在平滑的中央尺度和粗糙的周围尺度之间生成特征图。这一操作类似于视觉感受野的功能。操作如下式
同前文描述,θ∈{0°,45°,90°,145°},Θ为对不同尺度特征图c和s之间进行计算,c∈{2,3,4},s=c+δ,δ∈{3,4}。
所以这一模型公计算得42幅特征图,包括6幅亮度特征图,12幅颜色特征图和24幅方向特征图。接下来需要通过下式计算原始输入图像的显著图:
其中K1i,K2j,K3k分别是亮度、颜色和方向图的加权系数。
如式(8)所示利用中央周边差算子对金字塔图像操作生成各特征差异图,利用归一化算子对差异图进行融合生成特征显著图,再根据式(9)对特征显著图进行加权线性融合生成总的显著图。则共产生1*6个亮度特征图,2*6个颜色特征图,4*6个方向特征图,其中6来自于对于不同尺度的图之间使用中央周边差算子,c2-s5,c2-s6,c3-s6,c3-s7,c4-s7和c4-s8。
步骤三:初始化鸽群优化算法参数
(1)初始化优化参数维数D
由于需要计算加权线性方程最优加权系数,该方程中共有42个系数需要优化,所以D为42。
(2)初始化种群数量Np
种群数量Np对算法的优化效果影响很大。种群数量较小时易陷入局部最优;当种群数量较大时,算法收敛效果较好,但计算耗时将延长。在本发明中种群数量Np设为50。
(3)初始化种群位置和速度
种群在解空间中的位置和速度都是随机初始化的结果。初始化依据下式进行:
Xi=Xl+rand·(Xh-Xl)(10)
式中,rand为0到1之间的随机数,Xh和Xl分别表示给定的最大值和最小值。由于所有系数之和为1,本发明中我们初步设置其范围为为0-1。具体初始化方法参照式(10)
(4)设置算法迭代次数
算法迭代次数对算法的优化效果影响很大。当算法迭代次数过少,会使算法没有得到最优解即停止;当迭代次数过大时,算法可能早已收敛。本发明中地图与罗盘算子迭代次数设为40,地标算子迭代次数设为10。
(5)设置罗盘因数
本算法中罗盘因数作为固定参数,需要通过多次测试获取最佳结果。可以认为设定成0-1范围内的数。该因数在一定程度上决定了算法的收敛速度和计算准确度。通过测试,本发明中罗盘因数设为0.02。
步骤四:设计代价函数
代价函数直接决定算法表现的优劣。由于本发明中需要计算的是解空间中的最佳位置,定义代价函数为信噪比,其中信号是指所选择的显著区域的平均亮度,噪声则是指显著图背景的平均亮度。本发明首先通过多次试验得出信噪比较高的情况下线性方程的系数,并将该组系数用于测试图中以得到较好的显著图。
步骤五:利用鸽群算法计算最佳显著图
首先需要在初始化参数的情况下计算代价函数,通过对比得出当前鸽群中个体的最佳位置。然后运行地图和罗盘算子,根据式(1)和式(2)更新每一只鸽子的速度和位置,比对代价函数得出最佳位置,直到达到设置的地图和罗盘算子的迭代次数上限停止该算子,运行地标算子。根据当前鸽子所在未知的代价函数对鸽子排序,忽略排序在后半的鸽子个体,计算其余鸽子的中心位置,设置该位置为目标,调整鸽子的飞行方向。更新策略参照式(3)、(4)和(5)。当迭代次数达到所设置的迭代上限时停止地标算子。
步骤六:储存结果并验证
当算法停止寻优后,记录当前的全局最优位置,也即所求的加权系数。重复上述步骤,对多幅图进行训练,并计算多组加权系数的平均值,作为测试图的最优加权系数。在每一次寻优过程中保存迭代曲线。
由实例中的仿真结果可以看出,在给定目标图像的前提下,可以利用本方法找出目标图像在采集图像中的大体位置,以帮助对于该区域的进一步处理。本算法快速准确,,对实现无人机的态势评估和自主决策提供基础与帮助。
Claims (5)
1.一种基于仿生鸽群优化视觉注意机制的无人机目标检测方法,其特征在于,包括如下步骤:
步骤一:利用无人机搭载相机获取航拍图像
无人机搭载工业相机,实时拍摄采集图像,为步骤二提供图像依据;
步骤二:利用视觉注意机制计算图像显著图
步骤2.1:提取图像特征
利用RGB颜色空间模型提取亮度特征,r,g,b分别表示输入图像的红、绿、蓝三个通道,则图像亮度由I=(r+g+b)/3表示;为了消除亮度和颜色通道之间的关系,用亮度I标准化三个颜色通道,则调整后的颜色通道表示为
其中R,G,B分别表示红、绿、蓝三色,而Y表示黄色;负值归为0;根据大脑皮层对颜色信息的处理过程,由以下公式获得红绿和蓝黄的颜色特征图
令O(θ)表示当前位置方向,其中θ∈{0°,45°,90°,145°};则输入图像在不同通道上有不同尺度的高斯金字塔;亮度、三个颜色通道和不同方向上的高斯金字塔表示为I(σ),R(σ),G(σ),B(σ),Y(σ),O(σ,θ),其中,
σ∈[0,8]表示不同的尺度,θ∈{0°,45°,90°,145°}则表示方向;
步骤2.2:将特征合成为显著图
中央周边差算子在平滑的中央尺度和粗糙的周围尺度之间生成特征图;操作如下式
其中,θ∈{0°,45°,90°,145°},Θ为对不同尺度特征图c和s之间进行计算,c∈{2,3,4},s=c+δ,δ∈{3,4}.
公式(8)计算得42幅特征图,包括6幅亮度特征图,12幅颜色特征图和24幅方向特征图,接下来需要通过下式计算原始输入图像的显著图:
其中,K1i,K2j,K3k分别是亮度、颜色和方向图的加权系数;
步骤三:初始化鸽群优化方法参数
步骤3.1:初始化优化参数维数D
由于需要计算加权线性方程最优加权系数,其中共有42个系数需要优化,所以D为42;
步骤3.2:初始化种群数量Np
种群数量Np对优化方法的效果有影响;种群数量小时易陷入局部最优;当种群数量大时,优化方法收敛效果好,但计算耗时将延长;
步骤3.3:初始化种群位置和速度
种群在解空间中的位置和速度都是随机初始化的结果;初始化依据下式进行:
Xi=Xl+rand·(Xh-Xl)(10)
式中,rand为0到1之间的随机数;Xh和Xl分别表示给定的最大值和最小值;
步骤3.4:设置优化方法迭代次数
优化方法迭代次数对优化方法的效果影响大;当优化方法迭代次数少,会使优化方法没有得到最优解即停止;当迭代次数大时,优化方法早已收敛;因此需要对两个分别设置迭代次数上限;
步骤3.5:设置罗盘因数
罗盘因数作为固定参数,需要通过多次测试获取结果;设定成0-1范围内的数;该罗盘因数决定了优化方法的收敛速度和计算准确度;
步骤四:设计代价函数
代价函数直接决定优化方法表现的优劣;由于基于仿生鸽群优化视觉注意机制的无人机目标检测方法中需要计算的是解空间中的最佳位置,定义代价函数为信噪比,其中信号是指所选择的显著区域的平均亮度,噪声则是指显著图背景的平均亮度;基于仿生鸽群优化视觉注意机制的无人机目标检测方法通过多次试验得出信噪比较高的情况下线性方程的系数,并将该组系数用于测试图中以得到显著图;
步骤五:利用鸽群方法计算最佳显著图
首先需要在初始化参数的情况下计算代价函数,通过对比得出当前鸽群中个体的最佳位置;然后运行地图和罗盘算子,更新每一只鸽子的速度和位置,比对代价函数得出最佳位置,直到达到设置的地图和罗盘算子的迭代次数上限停止该算子,运行地标算子;根据当前鸽子所在未知的代价函数对鸽子排序,忽略排序在后半的鸽子个体,计算其余鸽子的中心位置,设置该位置为目标,调整鸽子的飞行方向;当迭代次数达到所设置的迭代上限时停止地标算子;
步骤六:储存结果并验证
当停止寻优后,记录当前的全局最优位置,即所求的加权系数;重复上述步骤一到步骤五,对多幅图进行训练,并计算多组加权系数的平均值,作为测试图的最优加权系数;在每一次寻优过程中保存迭代曲线。
2.根据权利要求1所述的基于仿生鸽群优化视觉注意机制的无人机目标检测方法,其特征在于:在步骤一中分别在颜色、亮度和方向通道分离出输入图像不同通道上的特征;对每个特征利用平滑和降采样生成图像的高斯金字塔;分解为1个亮度特征,2个不同的颜色特征,4个不同的方向,8个不同的图像尺度。
3.根据权利要求1所述的基于仿生鸽群优化视觉注意机制的无人机目标检测方法,其特征在于:在步骤一中利用中央周边差算子对金字塔图像操作生成各特征差异图,利用归一化算子对差异图进行融合生成特征显著图,再根据式(9)对特征显著图进行加权线性融合生成总的显著图,共产生1*6个亮度特征图,2*6个颜色特征图,4*6个方向特征图;其中6来自于对于不同尺度的图之间使用中央周边差算子,c2-s5,c2-s6,c3-s6,c3-s7,c4-s7和c4-s8。
4.根据权利要求1所述的基于仿生鸽群优化视觉注意机制的无人机目标检测方法,其特征在于:在步骤三中种群数量Np设为50。
5.根据权利要求1所述的基于仿生鸽群优化视觉注意机制的无人机目标检测方法,其特征在于:在步骤三中地图与罗盘算子迭代次数设为40,地标算子迭代次数设为10;罗盘因数设为0.02。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610068933.3A CN105654500A (zh) | 2016-02-01 | 2016-02-01 | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610068933.3A CN105654500A (zh) | 2016-02-01 | 2016-02-01 | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105654500A true CN105654500A (zh) | 2016-06-08 |
Family
ID=56489014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610068933.3A Pending CN105654500A (zh) | 2016-02-01 | 2016-02-01 | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654500A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441308A (zh) * | 2016-11-10 | 2017-02-22 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN106886745A (zh) * | 2016-12-26 | 2017-06-23 | 西北工业大学 | 一种基于实时在线地图生成的无人机侦察方法 |
CN107272736A (zh) * | 2017-07-06 | 2017-10-20 | 北京航空航天大学 | 一种基于鸽子被动式避障飞行的无人机避障导引方法 |
CN107918398A (zh) * | 2017-10-23 | 2018-04-17 | 南京航空航天大学 | 一种基于多重优化的集群无人机协同定位方法 |
CN109254588A (zh) * | 2018-10-17 | 2019-01-22 | 北京航空航天大学 | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 |
CN109357678A (zh) * | 2018-10-16 | 2019-02-19 | 北京航空航天大学 | 一种基于异质化鸽群优化算法的多无人机路径规划方法 |
CN109389056A (zh) * | 2018-09-21 | 2019-02-26 | 北京航空航天大学 | 一种空基多视角协同的轨道周边环境检测方法 |
CN109917806A (zh) * | 2019-03-14 | 2019-06-21 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
CN110069075A (zh) * | 2019-04-19 | 2019-07-30 | 北京航空航天大学 | 一种仿鸽群应急避障机制的集群超机动避障方法 |
CN110109477A (zh) * | 2019-05-10 | 2019-08-09 | 北京航空航天大学 | 基于鸽群智能反向学习的无人机集群多目标控制优化方法 |
CN110442143A (zh) * | 2019-07-05 | 2019-11-12 | 北京航空航天大学 | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 |
CN110672088A (zh) * | 2019-09-09 | 2020-01-10 | 北京航空航天大学 | 一种仿信鸽地貌感知归巢机制的无人机自主导航方法 |
CN113313773A (zh) * | 2021-05-12 | 2021-08-27 | 北京航空航天大学 | 一种仿猛禽中脑竞争性选择机制的环境显著性检测方法 |
US20210312640A1 (en) * | 2020-04-01 | 2021-10-07 | Sarcos Corp. | System and Methods for Early Detection of Non-Biological Mobile Aerial Target |
CN115695209A (zh) * | 2022-09-23 | 2023-02-03 | 西安电子科技大学 | 基于图模型的反制无人机蜂群评估方法 |
-
2016
- 2016-02-01 CN CN201610068933.3A patent/CN105654500A/zh active Pending
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441308A (zh) * | 2016-11-10 | 2017-02-22 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN106441308B (zh) * | 2016-11-10 | 2019-11-29 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN106886745A (zh) * | 2016-12-26 | 2017-06-23 | 西北工业大学 | 一种基于实时在线地图生成的无人机侦察方法 |
CN106886745B (zh) * | 2016-12-26 | 2019-09-24 | 西北工业大学 | 一种基于实时在线地图生成的无人机侦察方法 |
CN107272736A (zh) * | 2017-07-06 | 2017-10-20 | 北京航空航天大学 | 一种基于鸽子被动式避障飞行的无人机避障导引方法 |
CN107918398B (zh) * | 2017-10-23 | 2019-10-11 | 南京航空航天大学 | 一种基于多重优化的集群无人机协同定位方法 |
CN107918398A (zh) * | 2017-10-23 | 2018-04-17 | 南京航空航天大学 | 一种基于多重优化的集群无人机协同定位方法 |
CN109389056A (zh) * | 2018-09-21 | 2019-02-26 | 北京航空航天大学 | 一种空基多视角协同的轨道周边环境检测方法 |
CN109389056B (zh) * | 2018-09-21 | 2020-05-26 | 北京航空航天大学 | 一种空基多视角协同的轨道周边环境检测方法 |
CN109357678B (zh) * | 2018-10-16 | 2020-10-13 | 北京航空航天大学 | 一种基于异质化鸽群优化算法的多无人机路径规划方法 |
CN109357678A (zh) * | 2018-10-16 | 2019-02-19 | 北京航空航天大学 | 一种基于异质化鸽群优化算法的多无人机路径规划方法 |
CN109254588B (zh) * | 2018-10-17 | 2020-08-11 | 北京航空航天大学 | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 |
CN109254588A (zh) * | 2018-10-17 | 2019-01-22 | 北京航空航天大学 | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 |
CN109917806A (zh) * | 2019-03-14 | 2019-06-21 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
CN109917806B (zh) * | 2019-03-14 | 2020-08-11 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
CN110069075A (zh) * | 2019-04-19 | 2019-07-30 | 北京航空航天大学 | 一种仿鸽群应急避障机制的集群超机动避障方法 |
CN110069075B (zh) * | 2019-04-19 | 2020-06-09 | 北京航空航天大学 | 一种仿鸽群应急避障机制的集群超机动避障方法 |
CN110109477B (zh) * | 2019-05-10 | 2020-07-07 | 北京航空航天大学 | 基于鸽群智能反向学习的无人机集群多目标控制优化方法 |
CN110109477A (zh) * | 2019-05-10 | 2019-08-09 | 北京航空航天大学 | 基于鸽群智能反向学习的无人机集群多目标控制优化方法 |
CN110442143A (zh) * | 2019-07-05 | 2019-11-12 | 北京航空航天大学 | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 |
CN110672088A (zh) * | 2019-09-09 | 2020-01-10 | 北京航空航天大学 | 一种仿信鸽地貌感知归巢机制的无人机自主导航方法 |
US20210312640A1 (en) * | 2020-04-01 | 2021-10-07 | Sarcos Corp. | System and Methods for Early Detection of Non-Biological Mobile Aerial Target |
US12008807B2 (en) * | 2020-04-01 | 2024-06-11 | Sarcos Corp. | System and methods for early detection of non-biological mobile aerial target |
CN113313773A (zh) * | 2021-05-12 | 2021-08-27 | 北京航空航天大学 | 一种仿猛禽中脑竞争性选择机制的环境显著性检测方法 |
CN115695209A (zh) * | 2022-09-23 | 2023-02-03 | 西安电子科技大学 | 基于图模型的反制无人机蜂群评估方法 |
CN115695209B (zh) * | 2022-09-23 | 2024-06-07 | 西安电子科技大学 | 基于图模型的反制无人机蜂群评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654500A (zh) | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 | |
US20220197281A1 (en) | Intelligent decision-making method and system for unmanned surface vehicle | |
Lee et al. | Deep learning-based monocular obstacle avoidance for unmanned aerial vehicle navigation in tree plantations: Faster region-based convolutional neural network approach | |
Yan et al. | Towards real-time path planning through deep reinforcement learning for a UAV in dynamic environments | |
Cesetti et al. | A vision-based guidance system for UAV navigation and safe landing using natural landmarks | |
CN110672088B (zh) | 一种仿信鸽地貌感知归巢机制的无人机自主导航方法 | |
CN109445456A (zh) | 一种多无人机集群导航方法 | |
CN109492556A (zh) | 面向小样本残差学习的合成孔径雷达目标识别方法 | |
Xu et al. | A cascade adaboost and CNN algorithm for drogue detection in UAV autonomous aerial refueling | |
Vivaldini et al. | UAV route planning for active disease classification | |
CN106767791A (zh) | 一种采用基于粒子群优化的ckf的惯性/视觉组合导航方法 | |
Nolan et al. | Multi-UAS path planning for non-uniform data collection in precision agriculture | |
Li et al. | Learning view and target invariant visual servoing for navigation | |
CN107886099A (zh) | 协同神经网络及其构建方法和飞行器自主避障方法 | |
CN115033022A (zh) | 面向移动平台基于专家经验的ddpg无人机降落方法 | |
Zhang et al. | A bionic dynamic path planning algorithm of the micro UAV based on the fusion of deep neural network optimization/filtering and hawk-eye vision | |
CN116225055A (zh) | 一种复杂环境下基于状态分解的无人机自主航迹规划算法 | |
CN105066998A (zh) | 一种基于量子鸽群优化的无人机自主空中加油目标检测方法 | |
CN105760813A (zh) | 一种基于植物枝根演化行为的无人机目标检测方法 | |
Short et al. | Abio-inspiredalgorithminimage-based pathplanning and localization using visual features and maps | |
CN113627356A (zh) | 一种海面舰船智能识别方法 | |
Wu et al. | Multi-objective reinforcement learning for autonomous drone navigation in urban areas with wind zones | |
CN116257085A (zh) | 一种基于深度强化学习的无人机未知环境路径规划方法 | |
Zhai et al. | Mobile communication base station antenna measurement using unmanned aerial vehicle | |
Geng et al. | Deep learning-based cooperative trail following for multi-robot system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160608 |