一种移动平台红外搜索跟踪系统的稳定控制方法

基于移动平台的红外搜索跟踪系统已成为新一代光电搜索跟踪系统的主流趋势,小型化和轻量化是其高机动性的保证。载体运动姿态变化耦合的角速度扰动和系统内部力矩干扰将对其搭载的光电载荷视轴稳定控制带来严峻挑战,基于多轴多框架和高精度陀螺反馈控制相结合的传统视轴稳定方法已无法适用。本文针对两轴两框架移动平台红外搜索跟踪系统的光电载荷视轴稳定控制,提出了基于平方PI和Luenberger扰动观测前馈的双速度闭环同阶串级控制方法。仿真和实验表明,相对于传统的单陀螺闭环和双速度闭环稳定控制方法,该稳定控制方法有效提升了载体运动低频扰动下的视轴稳定精度。1°/1 Hz扰动下,仿真稳定精度达到2.7817μrad,实验稳定精度达到35.85μrad。1°/2 Hz扰动下,仿真稳定精度达到38.199μrad,实验稳定精度达到119.1μrad。最终,利用本文提出的稳定控制方法,两轴两框架移动平台红外搜索跟踪系统有效克服了行进间载体运动姿态变化耦合的低频角速度扰动,实现了高平稳高动态的光电载荷视轴指向控制性能。

视觉注意机制的运动方向异常检测方法

针对传统运动方向异常检测方法需要人工参与、智能化较低等缺点,提出了一种新的基于视觉注意机制的运动方向异常检测方法。该方法通过合成源图像的空间导数图与时间导数图获得运动边缘,求取沿空间各方位分布的运动方向特征图。在此基础上,利用所提出的基于运动区域面积的归一化方法对得到的每一幅特征图按照显著性高低分别赋予不同的权重,完成不同运动方向特征的相互竞争。最后融合经过归一化处理的特征图以得到最终的运动显著图。该显著图中运动方向具有显著性的物体得到有效突出,达到了存在多个运动物体的情况时,运动方向上具有显著性的物体能够更加有效、智能地检测出来的目的。

光流网络的无人机视频运动目标检测方法

针对传统光流技术的无人机视频运动目标检测方法计算效率低等问题,提出一种基于改进光流网络的无人机视频运动目标检测方法。首先利用卷积神经网络分别提取视频序列影像中目标的运动特征,并利用所提取特征进行光流计算;其次通过堆叠网络结构增加网络深度、引入小位移子网络等方法提高光流计算的精度和效率;最后通过光流阈值分割实现运动目标的检测。采用4组不同飞行模式下的无人机视频数据进行实验,实验结果表明,无论是在悬停模式还是在航行模式下,所提方法均能实现单目标、多目标和遮挡目标的检测,检测效果更好、计算效率更高(计算时间≤35 ms),基本能满足无人机视频运动目标实时处理的需求。

红外搜索跟踪系统的虚警率降低方法

红外全景搜索跟踪系统能对360°大视场提供实时多目标搜索与定位功能,与此同时大视场的引入也带来虚假目标增多,以及同一运动目标在前后生成的两幅全景图像中位置差异过大的困扰。本文针对以上问题,引入图像金字塔变换降低全景图像分辨率,再利用Lucas-Kanade(LK)光流法计算所有疑似运动区域的光流,最后分析所有光流特征结合二分类思想将真实运动目标和虚假运动目标区分开,针对全景图像能够有效的将虚假目标检测出来,剔除该类目标对后续处理结果的干扰。

联合空谱信息的高光谱影像深度胶囊网络分类

向量化的胶囊神经元和动态路由式的信息传递机制赋予了胶囊网络更强的特征表示能力。在遥感领域,基于胶囊网络的高光谱影像分类方法已经获得了较传统深度学习模型更为优异的分类结果。针对现有胶囊分类模型中存在的网络浅层、空谱联合信息利用不足等问题,本文利用卷积胶囊层、残差连接、三维卷积胶囊层构建了一种用于高光谱影像分类的新型深度胶囊网络。具体地,本文方法直接以高维数据立方体作为网络输入,并利用胶囊残差块逐层提取数据中的深层抽象特征。为了更加充分地利用影像中的空谱联合特征,在深层次的胶囊残差块中引入三维卷积胶囊层,以进一步提高分类精度。为了验证本文方法的有效性,选择University ofPavia、Indian Pines和Salinas等3个常用高光谱数据集和一个大规模机载高光谱数据集Chikusei进行实验。结果表明,与现有深度学习模型相比,本文方法能够获得更为优异的分类效果,在4个数据集上分别获得了99.43%、98.85%、97.14%和97.43%的总体分类精度。