详情

原文传递自主水下航行器的光视觉认知技术研究

论文题名：	自主水下航行器的光视觉认知技术研究
关键词：	自主水下航行器;光视觉认知;目标识别;图像质量
摘要：	面积辽阔的海洋蕴藏着极其丰富的生物、矿产资源和能源，随着人类社会的飞速发展，对各种能源、资源的需求和消耗速度在不断增加，海洋能源和资源的开发利用受到了世界各国的广泛重视，相继投入大量人力、物力、财力研究开发海洋技术装备，其中，自主水下航行器（Autonomous Underwater Vehicle, AUV）是人类对海洋尤其是深海进行观测和作业的重要技术手段之一。AUV的认知能力是其在水下安全航行和准确、高效完成使命任务的关键技术保障，在一定程度上决定了AUV的智能水平，而光视觉认知以其分辨能力高、类似人类视觉系统、技术基础坚实等显著优势，成为一种有较大发展潜力的 AUV认知技术，对于 AUV技术的迅速发展和广泛应用具有重要的理论和工程意义。　　AUV的光视觉认知技术面临诸多困难与挑战，还存在一些亟需解决的关键问题，本论文以水下某信息分析与融合技术项目为依托，有针对性地深入开展了AUV的光视觉认知技术的研究工作，以水下激光成像系统为主要光视觉传感器，研究了水下光学图像的恢复、增强、目标检测、目标识别方法，有效提高了对水下目标认知的准确性、鲁棒性，并分别在离线数据集上和水池试验环境中完成了对光视觉认知系统及各方法的验证和评价，本论文主要研究内容及贡献包括：　　（1）建立了基本的数学模型描述光在水下传输和成像的过程，在此基础上通过优化神经元模型提出了一种脉冲耦合神经网络滤波方法，在有效去除噪声的同时保留边缘、纹理等细节信息，通过实验实现了对所提出方法性能的验证；　　（2）分析了水下光学图像质量退化的主要原因，基于视觉注意力机制分析了图像中灰度级的全局显著性，对灰度级频率进行自适应抑制，提出了一种显著性加权直方图均衡化方法，能够选择性地增强目标区域而抑制背景区域，通过实验实现了对所提出方法性能的验证；　　（3）研究并对比了基于图像分割和模型学习的两类目标检测方法，提出了一种基于在线霍夫森林的目标检测方法，为树模型设计了稳定、鲁棒的简单二元测试特征，基于目标形态相关性提出了一种在线增量式学习机制以提升霍夫森林模型的性能，通过叶节点的概率投票产生目标位置的预测，对目标形态变化、各种干扰因素、信息部分缺失具有一定的鲁棒性，通过实验对所提出方法的性能进行了验证；　　（4）针对基本的Adaboost方法存在的不足，提出了一种更加有效的样本权值更新策略，根据水下光学图像的典型特性设计了一种显著、稳定、鲁棒的压缩Haar类特征，考虑实时性需求采用了贝叶斯分类器作为基本的弱分类器，基于最大似然估计实时地进行分类器参数学习，得到的强分类器对于训练样本集规模的变化具有一定的稳定性，通过实验实现了对所提出方法性能的验证；　　（5）根据AUV对光视觉认知的基本需求构建了光视觉认知系统的硬件和软件体系结构，设计了主要的信息处理流程，对光视觉认知系统进行配置并在水池试验环境中完成了该系统及各方法的验证和评价，结果表明本文提出的光视觉认知系统能够满足在AUV上应用的准确性、实时性、可靠性、鲁棒性等基本需求。
作者：	王博
专业：	船舶与海洋结构物设计制造
导师：	万磊
授予学位：	博士
授予学位单位：	哈尔滨工程大学
学位年度：	2017
正文语种：	中文