為了實現(xiàn)復雜場景下激光跟蹤儀跟蹤恢復過程中合作目標靶球的檢測,本文研究了基于深度學習的靶球檢測方法。首先,分析靶球自身特點、應用環(huán)境及它在跟蹤恢復過程中的作用,然后根據(jù)Faster R-CNN模型原理與跟蹤恢復應用需求提出基于超特征與淺層高分辨率特征信息復用的改進方法生成新的融合特征圖,并優(yōu)化區(qū)域建議提取參數(shù),協(xié)同解決圖像中目標多尺度變化與小尺寸導致目標漏檢率高的問題;同時提出一種基于強背景干擾的困難樣本挖掘方法提高模型對外形顏色等與目標近似的干擾物識別能力,解決模型誤檢測率高的問題。最后,本文構建了目標靶球數(shù)據(jù)集并進行了對比訓練與測試。測試實驗結果表明:本文提出的基于強背景干擾困難樣本挖掘方法的改進Faster R-CNN模型在目標多尺度、小尺寸檢測,以及對復雜背景中相似干擾物的辨別能力都有提升,最終對測試集的檢測精度達到了90.11%,能夠滿足激光跟蹤儀跟蹤恢復過程對合作目標靶球的視覺檢測精度要求。

【文章頁數(shù)】：12 頁

【部分圖文】：

圖1激光跟蹤儀跟蹤原理

如圖2所示,激光跟蹤儀跟蹤測量過程中,合作目標靶球成像于圖像傳感器中心區(qū)域,如O點所示;若發(fā)生目標丟失,跟蹤中斷的情況,靶球在圖像傳感器中偏離了中心位置O,成像位置記為點P。計算位置O與位置P的像素距離,再根據(jù)攝像機標定原理利用相機內參數(shù)將像素距離換算成圖像傳感器上的實際物理距離....

圖2跟蹤恢復原理

圖1激光跟蹤儀跟蹤原理3基于FasterR-CNN網(wǎng)絡框架的合作目標靶球檢測及改進設計

圖3FasterR-CNN網(wǎng)絡的基本結構

RossB.Girshick等在2016年提出了FasterR-CNN網(wǎng)絡結構[7],如圖3所示,FasterR-CNN網(wǎng)絡最大的特點是提出了基于網(wǎng)絡生成候選區(qū)域方法(RegionProposalNetworks,RPN)代替了選擇性搜索SelectiveSearc....

圖4改進的深度卷積特征提取

本文提出了一種結合HyperNet框架結構[9]與淺層高分辨率特征信息復用的方法,生成新的融合特征圖替代原有的單一深層特征圖。在避免大幅度加深網(wǎng)絡模型復雜度導致檢測速度下降的前提下,利用淺層特征圖包含較多細節(jié)信息來提高小目標的檢測效果,同時匯聚不同尺度池化的特征圖信息提高目標多尺....

本文編號：3964653