飞行器航拍时,由于飞行环境和飞行姿态的影响,会导致图像出现细节丢失和颜色失真从而影响图片质量,对图像中的目标准确识别带来挑战。针对这一问题,提出了一种Ritinex理论和基于神经网络深度学习相结合的方法,利用低照度图像增强算法来提高图像质量,从而实现侦查目标的准确识别。在AlexNet神经网络构架中引入U-net结构,根据Retinex理论采用分组卷积和深层卷积块构建了用于低照度图像增强神经网络构架,并加入亮度调整因子对分解结果进行增强。实验表明,本研究提出的方法和其它常用算法相比,有较好的整体视觉效果。另外,基于该方法所开发的低照度图像增强系统在搭建的无人机航拍平台上的应用也显示了其可靠性和准确性。

四旋翼飞行器可以在特殊复杂的环境下运行而备受关注,由于自身具有强耦合、欠驱动及非线性等特点,保障其突发环境变化时飞行轨迹和姿态的快速调整至稳定就变得很重要。首先对四旋翼飞行的中低空范围内风场进行研究,将风扰因素模型化并引入四旋翼系统模型中。其次四旋翼自身采用内外双闭环的控制架构,在位置外环和姿态内环框架内分别设计了全新的位置滑模控制器和姿态双闭环滑模控制器。在位置滑模控制器设计中提出一种带有鲁棒项的指数趋近律以实现外界环境干扰下飞行器对目标轨迹的准确跟踪。在设计姿态滑模面时加入了对姿态角跟踪误差值的积分项以提高四旋翼系统的鲁棒性。最终通过Matlab/Simulink数值仿真手段进行与传统滑模控制的对比仿真实验,检验了这里的控制方法具有更好的轨迹跟踪性能和鲁棒性。