采用多层卷积稀疏表示的红外与可见光图像融合

为提升光学图像在低照度条件下的可用性,对红外图像与可见光图像进行融合从而结合两者的优势是一种有效的技术手段。稀疏表示理论在红外与可见光图像融合领域已经得到了广泛的应用,然而基于稀疏表示理论的图像融合方法所采用的局部建模方式易于导致语义信息损失和对误匹配的低容忍度两大缺陷。卷积稀疏表示的全局建模能力对克服上述不足具有巨大的优势,本研究借鉴卷积神经网络的结构设计了一种前馈式基于多层卷积稀疏表示的红外与可见光图像融合网络,该网络包含5层:第1、2层为卷积稀疏层,通过预训练的字典滤波器获取源图像的卷积稀疏响应;第3层为融合层,通过活性图评价以获取融合结果;第4、5层为重建层,基于融合结果结合字典滤波器重建融合图像。实验结果表明,所提出的图像融合方法有效抑制了稀疏表示理论应用于图像融合的两大不足,在客观评价指标方面明显优于基于稀疏表示、基于单层卷积稀疏表示和基于卷积神经网络的图像融合算法,在算法的计算复杂度和运行时间方面优于基于稀疏表示和基于卷积神经网络的图像融合算法。     

入侵目标视觉检测与识别的研究进展

入侵目标视觉检测与识别是无人机感知与规避技术领域中重点研究的课题,关键任务是无人机在飞行过程中通过机载传感器获取光学机载图像中并判断是否存在入侵目标,并对入侵目标进行检测识别和定位。入侵目标视觉检测与识别是将无人机安全集成到国家空域并保证无人机和有人机飞行安全的关键技术之一。本文主要围绕无人机感知与规避技术中的入侵目标视觉检测与识别技术方面,分析检测与识别入侵目标所面临的一些难点问题,综述当前入侵目标视觉检测与识别的主要处理方法,并指出了该领域存在的尚未解决的问题和展望未来的发展趋势。     

无人机感知与规避技术研究进展

将无人机集成到国家空域系统中,以实现和有人飞机安全共享空域是无人机发展的一个关键问题。在这个过程中,无人机感知与规避系统扮演了一个至关重要的角色。首先介绍无人机感知与规避系统的研究意义;其次根据感知器件的工作方式从协同式和非协同式2个角度介绍了感知与规避系统的组成和分类;再次从入侵目标检测算法和航迹规划算法2个方面介绍感知与规避系统中目前需要解决的关键技术;最后将对现有的无人机感知与规避技术中存在的挑战进行总结,并分析无人机感知与规避系统未来的发展趋势。