基于图像处理的无人机海上巡检救援研究

来源:用户上传      作者:

　　摘   要：当前世界无人机技术发展迅猛，相比于其他工具产品，无人机具有机动性强，反应快速，环境适应能力强，能迅速到达现场的优势，广泛应用于多个领域。本文针对传统的无人机海上巡检救援机动性差、反应缓慢的缺陷，基于图像处理技术，利用BP神经网络优化技术解决了动态飞行时目标识别捕捉速率问题。大大减少了救援时间，实现快速海上巡检救援。
　　关键词：巡检救援  无人机  图像识别  BP神经网络
　　中图分类号：TN91                                  文献标识码：A                       文章编号：1674-098X（2020）02（c）-0119-02
　　灾难来临时，怎样迅速准确得知灾情，如何第一时间探索到救援力量无法达到的恶劣环境，一直都是迫在眉睫的难题。再加之，灾难的频发、受难者人数之多，更加剧了救援的困难。空中干涉救援现场是最快最便捷的手段。随着无人机的发展，无人机的各种技术也日渐成熟，但是传统的无人机通过拍摄装置和无线电传输装置无法达到短时间内巡检并快速救援的要求，所以研究能够快速进行目标识别的无人机才是解决快速进行救援的关键。
　　1  研究现状
　　目前，水上救援大致有以下两种方式实现：
　　第一，运用有人设备进行救援，如救生船只、直升飞机等。这种方法虽然可以更直观的使人亲临现场，但存在着造价高、风险大、限制多的缺点;第二，运用无人驾驶设备进行救援，如无人机、无人快艇等，这种方法风险小，成本低廉，适应环境的能力强。
　　在众多无人驾驶设备中，无人机的应用更为广泛，无人机结构目前以旋翼类居多，旋翼类无人机具有飞行稳定、可进行定点飞行、载荷大等优点，现已经被广泛应用于高危地区的灾难检测、巡检、空中救援等众多方面。但是旋翼类无人机飞行航程短、航速低、留空时间有限是其重大的短板，因此在远距离水上辅助救援这个特定的领域，旋翼类无人飞行器是不能满足特定任务的需求。因此采取固定翼式无人机更为恰当，解決了普遍固定翼式都需要特定跑道的需求，水上起飞无需固定跑道，起飞要求低。同时目前少有飞行状态下进行识别反馈的固定翼式无人机，这种功能的结合大大增加救援效率，将是一个领域的突破。
　　解决动态飞行时目标识别捕捉速率问题，无需反馈航拍全部图像，只需识别目标物体，直接反馈救援对象的具体地理坐标信息，不仅大大减少了救援时间，还可以短时间扩大搜救范围，第一时间救出遇难者。利用新的技术，结合opencv加快无人机图像识别捕捉的速度，真正意义上实现技术的成熟化，在救援等领域发挥更大的作用。
　　2  基于OpenCV的图像处理技术
　　2.1 高斯滤波算法
　　本文采用高斯滤波算法，获得关于图像的滤波功能，所谓高斯滤波，从根本上来讲，就是对原图像的各像素实施滤波，而与之相对应的像素滤波之后所得到的值，实为依据其相邻像素，乘以1个滤波器模板，即仅需将高斯滤波器模板弄清楚便可。需要指出的是，因本文需要进行处理的是二维帧图像。
　　2.2 双边平滑算法
　　对于双边滤波而言，其实为一种边缘平滑且简单的非迭代方案，与值域与域过滤相结合，便可以被表示为双边滤波，如果处于平滑区域中，那么即便是一个小的且处于邻域状态的像素值，也会是相似的;还需要指出的是，在实现双边滤波器过程中，实为一个比较典型且标准化的域滤波，也就是平均掉小、弱相关像素值见存在不同而引起的噪音。从根本上来讲，其不仅可以运用双边平滑算法，而且还可根据实际情况，选择高斯平滑等算法来进行图像的平滑处理。
　　2.3 图像融合操作
　　现阶段，已经出现了许多用于图像融合的算法，而在现实应用领域，可依据实际情况及需要，选择最实用、恰当的算法。本文通过 add Weighted 函数的应用，使增益处理与平滑处理后所得到的图像融合在一起，并借助于给增益处理与平滑处理的图像赋予的各种权值，最终获得各种效果的图像。
　　3  BP神经网络优化
　　3.1 优化原理
　　典型的BP神经网络包括3层：输入层、隐含层和输出层。各层之间实行全连接，同层之间无连接。它的学习规则是使用最速下降法，通过反向传播来不断调整神经网络的权值和阈值，使网络的误差平方和最小。具体步骤如下：
　　（1）数据预处理，确定网络的初始参数;
　　（2）初始化网络权值和阈值;
　　（3）计算第一、二层神经元的输入和输出;
　　（4）假设隐含层（第二层）神经元激励函数为单极S型函数，即为，所以第二层神经元的输出。
　　（5）计算第三层的输入和输出;
　　第三层与第二层道理相似：。
　　（6）计算能量函数;
　　计算能量函数的目的是达到预定误差就可以停止神经网络。假设实际输出样本为Y，则很容易由E定义知道：
　　（7）计算第二层和第三层之间的权值和阈值调整量;
　　BP神经网络的核心内容，链式偏微分：
　　3.2 编程实现
　　借助于遍历图像像素点方式，对由无人机所采集到的实时图像进行图像滤波、平滑、融合等操作。为了最大程度提高图像的处理速度，减少对相关硬件的过渡依赖与消耗;除此之外，还能储存实时图像序列，储存格式为 Mat，运用指针对图像进行储存，然后用领域像素、双边平滑以及高斯滤波等算法来处理。如图1即为系统搭建效果图。
　　4  结语
　　本文在基于 OpenCV基础上， 将高斯滤波算法、双边平滑算法、图像增益技术以及图像融合技术应用于无人机实时视频处理上，突破无人机图像识别效率问题，倾斜摄影数据处理，具有很大的市场潜力和核心竞争力，解决市场技术缺陷：识别功能差，建模效率极低，续航性及稳定性的不足等，对于无人机现有局限性将是极大的突破。
　　参考文献
　　[1] 邱启荣.基于主成分分析的BP神经网络对房价的预测研究[D].华北电力大学，2016.
　　[2] 杨桂元.数学建模[M].上海：上海财经大学出版社，2015.
　　[3] 赵明，李涛，苏小红，等.三维多无人机系统协同任务规划关键问题综述[J].智能计算机与应用，2016（1）：31-34.
转载注明来源:https://www.xzbu.com/1/view-15243797.htm