摘 "要： 傳統(tǒng)的導(dǎo)航系統(tǒng)因其自身的技術(shù)缺陷而遠(yuǎn)遠(yuǎn)不能滿足人們?nèi)粘５膶?dǎo)航需求，仿生式偏振光導(dǎo)航應(yīng)運(yùn)而生。在傳統(tǒng)的圖像式偏振光導(dǎo)航系統(tǒng)中，云層遮擋往往會對偏振光信息的采集造成嚴(yán)重影響，從而影響到航向角的準(zhǔn)確解算，極大程度限制了偏振光導(dǎo)航的運(yùn)用范圍。為了克服這一困難，文中引入生成對抗神經(jīng)網(wǎng)絡(luò)，在生成器與鑒別器之間不斷迭代反饋，對采集到的云層圖像進(jìn)行去云層處理，有效地恢復(fù)了被云層遮擋的偏振光信息。經(jīng)過大量實(shí)驗(yàn)驗(yàn)證，成功將航向角誤差從2.370 6°降低至0.606 7°，使其導(dǎo)航精度提升了74.41%。實(shí)驗(yàn)結(jié)果不僅驗(yàn)證了該方法的有效性，也展示了生成對抗網(wǎng)絡(luò)在圖像修復(fù)方面的強(qiáng)大之處，對圖像式偏振光導(dǎo)航的發(fā)展提供了新的思路。

關(guān)鍵詞： 仿生式偏振光導(dǎo)航； 云層遮擋； 生成對抗神經(jīng)網(wǎng)絡(luò)； 航向角解算； 圖像修復(fù)； 導(dǎo)航精度

中圖分類號： TN967.6?34 " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識碼： A " " " " " " " " " " "文章編號： 1004?373X（2024）21?0171?06

Research on polarized light navigation application based on cloud removal

LU Yanhong， LI Yuan， QU Shaoyu

（School of Information and Communication Engineering， North University of China， Taiyuan 030051， China）

Abstract： The traditional navigation systems are far from being able to meet people′s daily navigation needs because of their own technical defects， and bionic polarized light navigation came into being. In the traditional image polarized light navigation systems， cloud occlusion often has a serious impact on the acquisition of polarized light information， thus affecting the accurate calculation of heading angle， which limits the application range of polarized light navigation greatly. In order to overcome this difficulty， a generative adversarial network （GAN） is introduced to remove the cloud from the collected cloud image by iterative feedback between the generator and the discriminator， which can effectively recover the polarized light information blocked by the cloud. After a large number of experiments， the heading angle error is reduced from 2.370 6° to 0.606 7° successfully， and the navigation accuracy is improved by 74.41%. The experimental result not only verifies the effectiveness of the method， but also shows the power of GAN in image inpainting， so it provides a new idea for image?based polarized light navigation

Keywords： bionic polarized light navigation; cloud occlusion; GAN; heading angle calculation; image inpainting; navigation accuracy

0 "引 "言

隨著人類對空間位置信息需求的不斷增加，導(dǎo)航技術(shù)也得到了快速發(fā)展。傳統(tǒng)的導(dǎo)航技術(shù)主要使用無線電波、衛(wèi)星信號或者其他電磁波來獲取位置信息。然而，傳統(tǒng)導(dǎo)航技術(shù)因其本身的技術(shù)局限性使得其在特定的場所中不能滿足人類的通信需求。針對傳統(tǒng)導(dǎo)航技術(shù)的短板，研究人員通過對沙蟻等昆蟲的研究發(fā)現(xiàn)，其通過復(fù)眼的極化結(jié)構(gòu)來獲取向量場的信息，擁有強(qiáng)大的導(dǎo)航和定位功能。根據(jù)這些資料，許多學(xué)者對昆蟲進(jìn)行了建模，模仿昆蟲復(fù)眼的構(gòu)造，使各種類型的偏振光羅盤得以形成[1?6]。文獻(xiàn)[7]總結(jié)了近幾年偏振光傳感器的發(fā)展歷程。文獻(xiàn)[8]利用最微偏振陣列芯片實(shí)現(xiàn)了實(shí)時(shí)慢速大氣偏振模式的測量。盡管偏振光導(dǎo)航有了巨大的進(jìn)展，但是復(fù)雜天氣不僅對偏振羅盤的應(yīng)用范圍產(chǎn)生了影響，還嚴(yán)重影響了昆蟲的運(yùn)動軌跡[9]。針對多云天空的定向問題，文獻(xiàn)[10]提出了在部分多云條件下普遍適用的航向參考系統(tǒng)。文獻(xiàn)[11]則利用深度學(xué)習(xí)的方法，提出一種脈沖耦合神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)在天空被建筑物、云層和樹遮擋的情況下定向。文獻(xiàn)[12]提出一種融合Seg?U?Net卷積神經(jīng)網(wǎng)絡(luò)（CNN）的云層分割方法對偏振圖像進(jìn)行修復(fù)，獲取到完整的偏振圖像。上述方法對偏振圖像的修復(fù)基本可以實(shí)現(xiàn)偏振光圖像式導(dǎo)航，由此解算出的航向角也比較精確，但是神經(jīng)網(wǎng)絡(luò)目標(biāo)識別過程比較復(fù)雜，無法實(shí)現(xiàn)輸入端到輸出端的直接解算。

本文提出基于生成對抗網(wǎng)絡(luò)（Generative Adversarial Network， GAN）的圖像云層去除技術(shù)，該技術(shù)通過對有云層圖像進(jìn)行處理，得到可以代替原圖進(jìn)行偏振光導(dǎo)航的偽圖，繼而進(jìn)行偏振光導(dǎo)航，實(shí)現(xiàn)了從原始圖像入手，輸入端到輸出端的圖像處理，盡可能地還原了原始導(dǎo)航信息，提升了圖像式偏振光導(dǎo)航的精度。

1 "云層圖像的偏振光導(dǎo)航信息分析

1.1 "圖像式偏振光導(dǎo)航原理

圖像式偏振光導(dǎo)航是通過圖像采集系統(tǒng)分別采集偏振角度為0°、45°、90°、135°的天空偏振圖像，通過對其圖像的解算，得到所需的導(dǎo)航信息。為了更好地描述天空偏振圖像中的光強(qiáng)信息，實(shí)驗(yàn)組引入斯托克斯矢量法，斯托克斯矢量[S]=[[I] [Q] [U] [V]]，[I]為入射光的總光強(qiáng)，[Q]、[U]分別代表這兩束線偏振光的光強(qiáng)，[V]代表圓偏振光的光強(qiáng)，由于在現(xiàn)實(shí)自然天氣條件下，圓偏振光的光強(qiáng)極其微弱，在此次圖像式采集系統(tǒng)中可以忽略不計(jì)，即[V]記為0。偏振度[α]和偏振角[β]的計(jì)算公式如下：

[α=Q2+U2I] （1）

[β=12arctanUQ] （2）

偏振光圖像中的光強(qiáng)信息可以表示為：

[I（λ）=12（I0+Q0cos2ψ+U0sin2ψ）] （3）

式中[ψ]為圖片的偏振角度。不同角度的偏振光圖像中的光強(qiáng)信息可以表示為：

[2I1=I0+Q02I2=I0+U02I3=I0-Q02I4=I0-U0] （4）

聯(lián)立上述四個(gè)三元方程組以及式（1）和式（2），即可得出入射光的偏振度[d]和偏振角[γ]為：

[d=2（I1-I3）2+（I2-I4）2I1+I2+I3+I4] （5）

[γ=12arctanI2-I4I1-I3] （6）

圖像式偏振光導(dǎo)航流程圖如圖1所示。

1.2 "航向角的解算

通過圖像測試系統(tǒng)，能夠捕獲到覆蓋整個(gè)天空的偏振光分布圖案，提供了全面的天空偏振信息。與偏振度的分布相比，偏振方位角的分布模式對氣候條件的敏感度較低，總是以太陽子午線為對稱軸，展現(xiàn)出對外部大氣變化更強(qiáng)的抗干擾能力。因此，偏振方位角的分布模式在穩(wěn)定性方面表現(xiàn)更優(yōu)，成為更適合用作偏振光導(dǎo)航系統(tǒng)中導(dǎo)航信息源的選擇。在本文中，通過分析太陽子午線的方位角信息來確定導(dǎo)航的航向角。航向角獲取過程如圖2所示。

圖2中：[βs]為導(dǎo)航坐標(biāo)系下太陽子午線與地理正北方向的夾角，可由經(jīng)緯度以及時(shí)間信息進(jìn)行解算而得；[βo]則是載體坐標(biāo)系下太陽方位角，可以通過提取附近的偏振角度值擬合得到；[βh]為載體的航向角。航向角[βh]的計(jì)算公式如下：

[βh=βo-βs] （7）

1.3 "云層對偏振模式的影響

基于上述偏振光導(dǎo)航中航向角的解算，依靠偏振圖像中太陽子午線與正北方向的夾角，然而在觀察天空偏振度與偏振角的Jet顏色圖可以發(fā)現(xiàn)，云層的存在會嚴(yán)重干擾天空偏振度的測量。隨著云層厚度的增加，天空的偏振度逐漸降低，對正常的偏振度分布產(chǎn)生顯著影響；在偏振角的圖像中，云層的存在導(dǎo)致偏振角分布范圍更廣，出現(xiàn)較多異常值。太陽子午線也會因此變得扭曲，并出現(xiàn)噪點(diǎn)，這些因素會影響航向角的計(jì)算，如圖3所示。該情況會影響太陽方向信息的識別和提取，進(jìn)而對太陽方位角的計(jì)算產(chǎn)生影響，使得圖像式偏振光導(dǎo)航系統(tǒng)無法提供準(zhǔn)確的導(dǎo)航信息。

2 "基于云層去除的偏振光導(dǎo)航方法

當(dāng)遇到多云的天氣條件時(shí)，云層中主要由形狀近似于球體的水滴組成，這些水滴的大小通常比氣體分子要大得多，并且與光波長的尺寸相當(dāng)。在這種情況下，瑞利散射的理論就不再適用。為了解釋這種尺寸相似于光波長的球形粒子的光散射現(xiàn)象，米散射理論提供了一個(gè)合適的框架。因此，在分析和處理云層中水滴對光的散射效應(yīng)時(shí)，米散射理論成為了一個(gè)合適的選擇。當(dāng)陽光照射到水云中的微小水滴上時(shí)，在光向前方散射的過程中，會觀察到散射光強(qiáng)度呈現(xiàn)出振蕩并逐漸衰減的模式。在可見光的范圍內(nèi)，隨著水云的光學(xué)厚度增加，地面上觀測到的天空的偏振度會相應(yīng)降低。當(dāng)偏振度降至較低水平時(shí)，可能會出現(xiàn)偏振方位角的異?，F(xiàn)象，這種情況下，利用該區(qū)域的信息進(jìn)行基于天空偏振的導(dǎo)航變得不可行。針對云層對偏振光導(dǎo)航精度的影響，本文提出基于GAN生成對抗網(wǎng)絡(luò)的云層去除的圖像處理技術(shù)，可以極大程度地降低云層對偏振光導(dǎo)航精度的影響。

2.1 "生成器與鑒別器的構(gòu)建

生成對抗網(wǎng)絡(luò)（GAN）是一種深度學(xué)習(xí)模型，包括兩種神經(jīng)網(wǎng)路，生成器與鑒別器。生成器通過對樣本的分布進(jìn)行分析以產(chǎn)生新的樣本，而鑒別器將產(chǎn)生的樣本與實(shí)際樣本進(jìn)行鑒別。這兩種方法互相競爭，反復(fù)進(jìn)行，最后得到的結(jié)果更接近實(shí)際的數(shù)據(jù)。具體來說，在訓(xùn)練過程中生成器接收一個(gè)隨機(jī)噪聲向量作為輸入，并將其轉(zhuǎn)換為類似于真實(shí)數(shù)據(jù)的輸出。鑒別器則接收兩個(gè)輸入，即真實(shí)數(shù)據(jù)和生成器生成的數(shù)據(jù)，并試圖區(qū)分它們。這樣，生成器和鑒別器就形成了一個(gè)博弈，生成器希望生成的數(shù)據(jù)能夠騙過鑒別器，而鑒別器則希望能夠準(zhǔn)確地區(qū)分生成的數(shù)據(jù)和真實(shí)數(shù)據(jù)。生成對抗網(wǎng)絡(luò)邏輯模型如圖4所示。

實(shí)驗(yàn)組生成器的輸入為帶自定義遮擋塊（模擬云層遮擋）的圖像，生成器的神經(jīng)網(wǎng)絡(luò)選擇U?net網(wǎng)絡(luò)結(jié)構(gòu)，U?net網(wǎng)絡(luò)結(jié)構(gòu)通過在輸入和輸出之間添加跳躍連接，融合了低層級特征和高層級特征，能夠保留更多的圖像背景信息，保證了去除自定義遮擋塊后圖像的真實(shí)性，輸入圖像經(jīng)過多次卷積模塊操作，輸出為無自定義遮擋塊圖像，至此，生成器的前期工作已就緒。

接下來進(jìn)入鑒別器神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，在這個(gè)過程中，生成器將生成的虛擬圖像傳給鑒別器進(jìn)行識別和判斷。鑒別器通過比較虛擬圖像和原圖像的光強(qiáng)分布情況，判斷虛擬圖像是否與原圖像相似，然后給生成器生成的虛擬圖像貼上真假標(biāo)簽。生成器根據(jù)鑒別器的反饋信號調(diào)整自己的生成策略，希望下一次生成的虛擬圖像能夠更加逼真，欺騙鑒別器。整個(gè)過程是一個(gè)不斷迭代、反復(fù)訓(xùn)練的過程，直到生成器生成的虛擬圖像與原圖像無法區(qū)分為止。

2.2 "模型的參數(shù)設(shè)置以及訓(xùn)練

本文構(gòu)建了一個(gè)由相機(jī)采集的10 000張晴天無遮擋的天空圖作為鑒別器中的原圖對照數(shù)據(jù)集使用，對原圖數(shù)據(jù)集進(jìn)行隨機(jī)添加自定義遮擋塊（模擬云層遮擋）處理，得到有遮擋的數(shù)據(jù)集并將其作為生成器的輸入使用。生成器生成的無云層圖像不僅要使得鑒別器分辨不出真假，還需要保證和真實(shí)的無云層圖像盡可能的接近。為此，本文組合范數(shù)損失（[L1] Loss）和感知損失（Perceptual Loss）作為內(nèi)容損失，在生成器和鑒別器對抗的過程中加入訓(xùn)練，最終本文采用的損失函數(shù)為：

[minGmaxD Ladv（G，D）adversarial "loss+αLL1（G）+βLper（G）content "loss] （8）

其中，條件損失函數(shù)為：

[Ladv（G，D）=e?Ex，ylogD（x，y）+Exlog1-Dx，G（x）] （9）

本文中學(xué)習(xí)率為0.000 1，輸入神經(jīng)網(wǎng)絡(luò)每組的圖片數(shù)Batchsize設(shè)為100。

本次實(shí)驗(yàn)采用的生成對抗網(wǎng)絡(luò)（GAN）是在深度學(xué)習(xí)框架PyTorch環(huán)境下運(yùn)行的，服務(wù)器的基本配置為：64位Windows 11操作系統(tǒng)，內(nèi)存為16 GB，CPU型號為13th Gen Intel[?] CoreTM i9?13900HX，GPU型號為NVIDIA GeForce RTX 4060。

生成對抗網(wǎng)絡(luò)（GAN）模型的評價(jià)指標(biāo)變化情況如圖5所示，當(dāng)?shù)螖?shù)接近2 500時(shí)，損失函數(shù)的值降為0.01，該數(shù)值越接近于0，說明生成器生成的偽圖與無遮擋的原圖之間差別越小，進(jìn)一步說明了模型訓(xùn)練效果越好。

3 "實(shí)驗(yàn)結(jié)果與分析

3.1 "實(shí)驗(yàn)設(shè)備和系統(tǒng)搭建

本次實(shí)驗(yàn)使用的是實(shí)驗(yàn)組自行研制的仿生偏振光圖像采集設(shè)備，以高精度的GPS慣性組合導(dǎo)航設(shè)備作為導(dǎo)航信息的基準(zhǔn)，通過對天空不同偏振角度的拍攝，獲得真實(shí)的偏振角圖像和航向角數(shù)據(jù)，偏振光圖像采集部分由SUA133GM單色CMOS圖像傳感器構(gòu)成的光學(xué)相機(jī)以及自動旋轉(zhuǎn)裝置組成，設(shè)備參數(shù)如表1所示。

3.2 "多云天氣下實(shí)驗(yàn)分析

實(shí)驗(yàn)組利用搭建的偏振光圖像采集系統(tǒng)獲取不同偏振角度方向的天空原始圖，經(jīng)過GAN進(jìn)行云層去除，獲取到無云層影響的偽圖，利用偽圖計(jì)算出相對準(zhǔn)確的偏振方位角圖像，通過仿真軟件得到真實(shí)的太陽子午線信息，繼而解算出此時(shí)的航向角結(jié)果，對比高精度的GPS慣性組合導(dǎo)航設(shè)備的導(dǎo)航數(shù)據(jù)，從而驗(yàn)證方法的可行性與偏振光導(dǎo)航的可靠性。

實(shí)驗(yàn)組在多云天氣進(jìn)行了多組的室外實(shí)驗(yàn)，地點(diǎn)為中北大學(xué)科學(xué)樓B座西側(cè)的廣場，本文選擇隨機(jī)實(shí)驗(yàn)時(shí)間進(jìn)行采樣，實(shí)驗(yàn)時(shí)間以及實(shí)驗(yàn)結(jié)果如圖6所示。

圖6中，圖6a）為天空原始圖；圖6b）為采用GAN生成對抗網(wǎng)絡(luò)得到的偽圖；圖6c）為原始AOE圖；圖6d）為修復(fù)后AOE圖。

通過上述實(shí)驗(yàn)結(jié)果可以看出，實(shí)驗(yàn)組提出的基于生成對抗網(wǎng)絡(luò)（GAN）的云層去除方法可以有效地抑制云層對偏振模式的干擾，獲取到相對準(zhǔn)確的偏振光導(dǎo)航信息。以未去除云層多的原始圖像作為輸入，得到的AOE圖像出現(xiàn)噪點(diǎn)、彎折和失真的情況，太陽子午線的位置也出現(xiàn)重大的偏移和扭曲；而以生成對抗網(wǎng)絡(luò)生成的AOE圖像作為輸入則可以明顯地消除圖像的噪點(diǎn)和失真情況，太陽子午線的位置和方向更加清晰，易于識別出準(zhǔn)確的方位角信息。

以高精度GPS慣性組合導(dǎo)航設(shè)備采集的數(shù)據(jù)為基準(zhǔn)，將實(shí)驗(yàn)組提出的方法與原始未處理直接擬合的方法進(jìn)行對比，并將對應(yīng)時(shí)刻的航向角數(shù)據(jù)作為誤差參考。在不同云層天氣條件下采集的200組圖片數(shù)據(jù)進(jìn)行驗(yàn)證，解算誤差結(jié)果如圖7所示。修復(fù)前后各項(xiàng)指標(biāo)對比如表2所示。

表2所示的實(shí)驗(yàn)結(jié)果表明，實(shí)驗(yàn)組提出的方法在處理有云層遮擋的情況下誤差可達(dá)到0.606 7°，與未經(jīng)過處理直接擬合的方法對比提升效果明顯，與多云天氣算法（人為圖像處理去除云層）對比提升效果也十分顯著。

4 "結(jié) "語

本文提出一種基于生成對抗神經(jīng)網(wǎng)絡(luò)（GAN）的云層去除方法，并將其應(yīng)用到偏振光導(dǎo)航方面的研究中，使得在有云層遮擋情況下的導(dǎo)航信息解算更加準(zhǔn)確，從而提升了偏振光導(dǎo)航在多云復(fù)雜天氣應(yīng)用的可靠性。室外大量實(shí)驗(yàn)驗(yàn)證，在有云層遮擋的情況下，本文方法在航向角的解算方面，對比未處理直接擬合的方法，誤差由2.370 6°降低到了0.606 7°，導(dǎo)航精度提升了74.41%。結(jié)果表明：即使在有較多云層遮擋的情況下，本文方法仍然能夠解算出較為準(zhǔn)確的導(dǎo)航信息，從而驗(yàn)證了本文方法對于偏正圖像有遮擋的情況下解算導(dǎo)航信息具有較高的魯棒性和較好的可行性。

注：本文通訊作者為李沅。

參考文獻(xiàn)

[1] 褚金奎，張然，王志文，等.仿生偏振光導(dǎo)航傳感器研究進(jìn)展[J].科學(xué)通報(bào)，2016，61（23）：2568?2577.

[2] 梅玲玉，馬磊，張濤.基于INS/GPS/磁力計(jì)的全組合導(dǎo)航[J].傳感器與微系統(tǒng)，2019，38（3）：33?35.

[3] 高明明，程力，劉超，等.基于北斗導(dǎo)航的車載捷聯(lián)慣導(dǎo)及航跡推算系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng)，2020，39（9）：97?100.

[4] 崔巖，趙金勇，關(guān)樂，等.黃海海域天空光偏振分布仿真與測試[J].光學(xué)學(xué)報(bào)，2017，37（10）：35?42.

[5] 褚金奎，關(guān)樂，李世奇，等.大氣偏振模式圖分布及仿生偏振導(dǎo)航技術(shù)[J].遙感學(xué)報(bào)，2018，22（6）：969?979.

[6] 蔡弘，張然，關(guān)樂，等.晴朗天氣下全天空域偏振定向方法[J].機(jī)電工程技術(shù)，2021，50（9）：10?13.

[7] LI S Z， KONG F， XU H， et al. Biomimetic polarized light navigation sensor： A review [J]. Sensors （Basel， Switzerland）， 2023， 23（13）： 5848.

[8] 張文靜，馬龍，趙立雙，等.基于微偏振陣列成像的實(shí)時(shí)天空偏振光導(dǎo)航[J].傳感器與微系統(tǒng)，2019，38（2）：9?11.

[9] HORVáTH G， VARJú D. Polarized light in animal vision： Polarization patterns in nature [EB/OL]. [2004?01?12]. https：//api.semanticscholar.org/CorpusID：117841537.

[10] LIU X， YANG J， GUO L， et al. Design and calibration model of a bioinspired attitude and heading reference system based on compound eye polarization compass [J]. Bioinspiration amp; biomimetics， 2020， 16（1）： 016001.

[11] WAN Z H， ZHAO K C， CHU J K. Robust azimuth measurement method based on polarimetric imaging for bionic polarization navigation [J]. IEEE transactions on instrumentation and measurement， 2020， 69（8）： 5684?5692.

[12] 邊宇峰，李沅，任彩鳴，等.基于多云惡劣環(huán)境下的偏振圖像修復(fù)定向方法[J].傳感器與微系統(tǒng)，2023，42（11）：74?78.

[13] 張然，蔡弘，關(guān)樂，等.多云天氣天空偏振定向方法[J].光學(xué)精密工程，2021，29（7）：1499?1510.

[14] 江凱，楊凱，顏迪新，等.基于GAN?CNN的電子血壓計(jì)品牌型號識別技術(shù)研究[J].中國計(jì)量大學(xué)學(xué)報(bào)，2023，34（3）：429?436.

[15] 孫彬.基于跨視角匹配的圖像地理位置定位研究[D].深圳：深圳大學(xué)，2019.

作者簡介：盧研宏（1994—），男，山西忻州人，碩士研究生，研究方向?yàn)槠窆鈱?dǎo)航。

李 "沅（1982—），女，山西忻州人，副教授，碩士生導(dǎo)師，研究方向?yàn)楣怆姍z測、信號與信息處理、自動武器導(dǎo)航、人工智能等。