在信息網(wǎng)絡大數(shù)據(jù)時代,圖像信息數(shù)據(jù)越來越被人重視。區(qū)別于傳統(tǒng)二維圖像,深度信息的加入為我們開創(chuàng)了廣泛的3D視覺應用。ToF攝像機基于飛行時間法能主動地獲取場景深度,并準確地表現(xiàn)場景及物體表面的三維信息。受多種誤差來源的干擾,ToF攝像機獲取的原始深度圖像含有許多噪點,在一定程度上影響了它的擴展應用。目前,研究領域已有的ToF深度圖去噪的研究方案基本都是基于單幀圖像,且并未建立出全面的噪聲模型。本文主要研究一種基于深度卷積神經(jīng)網(wǎng)絡的ToF深度圖像去噪算法,主要成果包括：1. 提出了一個完整的基于圖像到圖像端映射的深度卷積神經(jīng)網(wǎng)絡的架構,架構采用了新的修正線性單元及局部響應歸一化等技巧,通過提取圖像塊的隱含特征并表達,對自然圖像上的噪聲起到了良好的濾除效果。2. 研究采用ToF攝像機和Kinect相機搭建了ToF深度圖像真值數(shù)據(jù)庫采集平臺,經(jīng)過相機標定與深度圖配準,利用Kinect Fusion算法獲取場景的真實深度,并結合ToF相機的曝光特性,拍攝創(chuàng)建了TOF深度圖像真值數(shù)據(jù)集。3. 提出了一種基于深度神經(jīng)網(wǎng)絡的ToF深度圖像去噪算法。通過對TOF深度圖像真值數(shù)據(jù)集的訓練,卷積神經(jīng)網(wǎng)絡隱...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
1 緒論
    1.1 課題背景
    1.2 課題意義
    1.3 國內外發(fā)展現(xiàn)狀
        1.3.1 ToF相機的誤差來源分析
        1.3.2 ToF深度數(shù)據(jù)去噪算法
    1.4 主要工作和貢獻
    1.5 論文的組織結構
2 ToF深度圖像真值數(shù)據(jù)集的獲取研究
    2.1 ToF深度攝像機成像原理分析
        2.1.1 ToF深度攝像機簡介
        2.1.2 ToF攝像機的數(shù)學模型
        2.1.3 ToF攝像機的噪聲分析
    2.2 實驗平臺與環(huán)境說明
    2.3 攝像機標定
    2.4 深度圖配準
    2.5 創(chuàng)建ToF深度真值數(shù)據(jù)集
    2.6 本章小結
3 圖像端映射的深度網(wǎng)絡模型設計
    3.1 卷積神經(jīng)網(wǎng)絡研究現(xiàn)狀
    3.2 圖像端映射的深度網(wǎng)絡模型
        3.2.1 深度卷積網(wǎng)絡的整體架構
        3.2.2 深度卷積網(wǎng)絡的數(shù)學模型
        3.2.3 ReLU與局部響應歸一化
    3.3 自然圖像去噪結果與分析
        3.3.1 網(wǎng)絡訓練
        3.3.2 實驗結果
    3.4 本章小結
4 基于深度神經(jīng)網(wǎng)絡的ToF深度圖像去噪研究
    4.1 深度圖像去噪常用算法
    4.2 基于Levenberg-Marquardt的反向傳播算法
    4.3 深度神經(jīng)網(wǎng)絡去噪算法的訓練過程
        4.3.1 ToF深度真值數(shù)據(jù)集增強
        4.3.2 深度神經(jīng)網(wǎng)絡訓練細節(jié)
    4.4 實驗結果分析與討論
    4.5 本章小結
5 總結和展望
參考文獻
作者簡歷及在學期間主要的研究成果



本文編號：3741835