基于稀疏性深度学习的航拍图像超分辨重构

为降低无人机硬件设备升级成本, 研究利用深度学习技术进行航拍图像超分辨(super-resolution, SR)。针对神经网络训练参数量大的特点, 提出了一种稀疏卷积神经网络SR(SR based on sparse convolutional neural network, SRSCNN)重构方法, 对神经网络连接权值进行选择性筛选达到压缩网络结构并减少训练时间的目的。实验结果表明, 该方法在缩短网络学习时间, 图像重构效果和计算时间上具有一定优越性。同时, 设计了一种基于显著性区域的图像质量评价方式, 更适应航拍图像后续处理工作。     

无人机自主着陆地标实时检测方法

在基于计算机视觉的无人机自主着陆过程中,地标的设计与检测是关键问题。提出了一种快速轮廓角点检测算法,并设计了一种新型嵌套三角形图案作为无人机自主着陆地标。首先,利用Suzuki-Abe算法提取的背景及目标的整体轮廓信息,进行目标嵌套轮廓提取;其次,通过改进Douglas-Peucker拟合算法来检测轮廓角点。由于优化了角点个数及最远距离两点的寻找方法,在很大程度上减少了计算时间且降低了复杂度。实验结果表明,在距离地标较远、地标部分信息缺失的情况下,该算法准确快速,适合于无人机自主着陆过程位置实时检测。     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。