基于双目视觉的水下动态目标识别与定位方法研究

针对动态水下目标跟踪定位过程需要良好的实时性与鲁棒性问题,提出一种基于双目视觉的水下动态目标定位方法;利用快速引导滤波提取水下图像的光照分量,构造了一种改进的二维伽马函数,并对其参数利用光照分量的分布特性进行调整,实现了对水下不同环境图像下的亮度自适应校正处理;利用卡尔曼滤波预估下一时刻目标的位置,将预测空间作为ROI区域进行图像校正,极大降低了算法的运行时间;在HSV空间对目标进行掩膜提取,识别之后通过双目定位算法对目标进行准确定位;经过水箱试验验证,与多尺度高斯函数、双边滤波等算法相比,该方法在运行速度上有着显著的提高,达到了35FPS,在定位过程中有着较高定位精度,在方向的平均相对误差为(3.59%,3.35%,1.42%);结果表明,该算法可以满足水下动态目标跟踪定位的实时性与鲁棒性要求。

基于RBF神经网络补偿的ROV运动控制算法

针对作业型遥控水下航行器(ROV)在模型参数不确定和外部环境干扰下的运动控制问题,提出了一种基于径向基函数(RBF)神经网络的自适应双环滑模控制策略。首先,对于ROV外环位置控制采用改进趋近律的积分滑模控制方法,对于ROV内环速度控制采用指数趋近律的积分滑模控制方法;其次,为进一步改善滑模控制的抖振问题,引入双曲正切函数作为滑模切换项;然后,利用RBF神经网络控制技术对ROV模型的不确定参数和外部扰动进行估计与补偿;最后,利用李雅普诺夫稳定性理论证明了整个闭环系统的稳定性,并对作业型ROV的运动控制进行了数值仿真。仿真结果验证了所设计的控制器可以实现ROV航行的精确控制,并能够有效抑制模型不确定参数和外部扰动对ROV运动的影响。