AUV的水下目標檢測與跟蹤方法研究.pdf

1、海洋是生命的起源地，是人類生存的重要空間，蘊含著廣闊的自然資源。由于海洋環(huán)境的特殊性，單靠人力已難以實現(xiàn)海洋的探索和開發(fā)，為此，各種水下機器人應運而生。智能水下機器人（以下簡稱AUV）利用水下視覺系統(tǒng)感知外部環(huán)境，為機器人規(guī)劃決策系統(tǒng)提供環(huán)境信息。本課題結合工信部“海洋探測智能潛水器工程化技術研究項目”，研究了水下聲光圖像的處理方法、基于信息融合的目標檢測算法和水下管道檢測、識別和定位方法，并在前面研究方法的基礎上，構建了一套基于視覺的

2、水下管道檢測與跟蹤系統(tǒng)。本文主要的研究內容包括：
　?。?）針對水下目標檢測中圖像處理算法內容，分析了水下光學圖像和聲學圖像特征，針對水下圖像的特點，從濾波、增強、分割以及形態(tài)學處理四方面進行了研究。在圖像增強中，改進了傳統(tǒng)的模糊增強算法，有效地克服了傳統(tǒng)算法中參數(shù)多，灰度級損失以及低計算效率的缺陷，并且更好地保留目標和背景的特征信息；在圖像分割中，針對目標和背景灰度級重疊、對比度低的水下圖像，建立了基于圖像梯度信息的二維Abut

3、aleb最大熵和改進粒子群優(yōu)化算法（SPSO）結合的分割算法，該方法可以有效地檢測出水下目標，提高計算效率。
　?。?）研究了AUV航行過程中基于特征級融合的水下目標檢測識別方法。首先針對聲納和微光圖像特點，分別提取目標的 Hu不變矩和小波不變矩，并采用主分量分析法對維數(shù)較多的小波矩特征降維。然后以加權組合串行特征融合為基礎，建立了基于神經(jīng)網(wǎng)絡與改進的粒子群算法相結合的水下目標檢測算法。對測試樣本進行的識別實驗結果表明，本文的算法

4、具有更高的識別率和更強的泛化能力。
　　（3）研究了AUV管道檢測與跟蹤系統(tǒng)中的水下管道的檢測算法。文中分析了傳統(tǒng)的邊緣檢測算子的優(yōu)缺點，建立了基于快速Kirsch邊緣檢測算子和Yasuda局部邊緣檢測相結合的管道邊緣檢測方法，并以離散卡爾曼濾波模型為基礎，建立了管道序列圖像中的關聯(lián)波門，限制管道邊緣檢測中的搜索空間，結合本文的改進的快速Hough變換，提高了管道檢測的準確性和實時性。針對管道序列圖像中的彎管檢測問題，以Hough

5、變換檢測的結果為基礎，抽取管道的特征區(qū)域，利用直方圖信息對管道進行相似性測量，實現(xiàn)管道檢測過程中彎管的準確判斷。
　?。?）研究了管道圖像坐標系與AUV坐標系的轉換，建立了管道跟蹤系統(tǒng)?？紤]到攝像機畸變因素以及標定精度，本文采用張正友方法對攝像機進行標定，求取攝像機模型參數(shù)，確定圖像中管道目標點從圖像坐標系到機器人坐標系中的轉換關系，實現(xiàn)基于視覺系統(tǒng)的機器人環(huán)境信息感知。
　　（5）構建了AUV管道自主檢測系統(tǒng)的軟硬件體系結