視覺是人類獲取信息的主要手段,機(jī)器視覺檢測模擬人類視覺對感興趣目標(biāo)進(jìn)行感知識別。隨著基于深度學(xué)習(xí)的視覺感知研究進(jìn)入新的智能階段,模擬人類腦智能的視覺識別是研究新方向。記憶學(xué)習(xí)是人類認(rèn)知的高級功能,本文將研究模擬人類記憶學(xué)習(xí)的視覺感知模型完成運動的目標(biāo)識別。動態(tài)目標(biāo)圖像的識別一直是研究的難點,本文將針對感知器高速運動時采集的圖像及目標(biāo)識別進(jìn)行研究。研究表明圖像的清晰是確保深度學(xué)習(xí)方法進(jìn)行目標(biāo)識別成功的關(guān)鍵,因此,圖像尤其是動態(tài)圖像在目標(biāo)識別前進(jìn)行去模糊很重要。本文首先從光學(xué)感知和圖像生成的原理出發(fā),分析運動感知模糊成因,構(gòu)建高速運動成像模型;接著研究帶記憶的深度學(xué)習(xí)方法識別復(fù)雜因素導(dǎo)致的圖像模糊類型;再針對實際高速采集的圖像進(jìn)行去模糊;最后研究融合記憶的深度學(xué)習(xí)模型進(jìn)行目標(biāo)識別。具體研究工作依次從以下幾個方面展開:1、分析高速成像模糊機(jī)理,構(gòu)建圖像感知器的運動成像模型及仿真系統(tǒng)。由于拍攝特定軌跡運動過程中,在曝光時間內(nèi)感光傳感器與被測物影像發(fā)生相對運動將導(dǎo)致圖像模糊,尤其是在感知器高速運動采集時,這種運動模糊更為明顯。因此在圖像去模糊前分析模糊的成因是非常有必要的,通過模擬目標(biāo)運動和相機(jī)... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：146 頁

【學(xué)位級別】：博士

【部分圖文】：

各種模糊類型示例

第1章緒論15SURF主要是把SIFT中的某些運算作了簡化。SURF把SIFT中的高斯二階微分的模板進(jìn)行了簡化，使得卷積平滑操作僅需要轉(zhuǎn)換成加減運算，這樣使得SURF算法的魯棒性好且時間復(fù)雜度低。SURF最終成生的特征點特征向量的維度為64維。(a)Harr-like特征(b)LBP特征(c)SIFT特征(d)HOG特征圖1.5通常的圖像特征算子的計算模式示意圖通過這些特征對目標(biāo)進(jìn)行識別，然后再結(jié)合相應(yīng)的策略對目標(biāo)進(jìn)行定位。由于視角、姿態(tài)、遮擋、背景及光線條件的不同，也難以用一種特征算子來提取出圖像中目標(biāo)，而且傳統(tǒng)的目標(biāo)特征提取方法隱藏了算法的生成功能�；谏疃葘W(xué)習(xí)的目標(biāo)檢測成為目前主流方法，主要可以表示為：圖像的深度特征提娶基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別與定位，其中主要用到的深度神經(jīng)網(wǎng)絡(luò)模型是卷積神經(jīng)網(wǎng)絡(luò)CNN。主要有以下三大類：基于區(qū)域建議的目標(biāo)檢測與識別算法，如R-CNN[133],FastR-CNN[134],FasterR-CNN[135]；基于回歸的目標(biāo)檢測與識別算法，如YOLO[136],SSD[137]；基于搜索的目標(biāo)檢測與識別算法，如基于視覺注意的AttentionNet[138]和強(qiáng)化學(xué)習(xí)算法[139]。這些算法由于網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練策略及優(yōu)化函數(shù)方面各不相同，優(yōu)劣很難進(jìn)行比較，因為不同的特征提取模型，如：VGG16,ResNet,Inception,MobileNet等，不同的圖像像素大小，不同的軟硬件平臺，很難聯(lián)合進(jìn)行比較[140-143]。在實

軌道缺陷檢測處理系統(tǒng)

【參考文獻(xiàn)】：
期刊論文
[1]圖像匹配方法研究綜述[J]. 賈迪,朱寧丹,楊寧華,吳思,李玉秀,趙明遠(yuǎn).  中國圖象圖形學(xué)報. 2019(05)
[2]A Text Sentiment Classification Modeling Method Based on Coordinated CNN-LSTM-Attention Model[J]. ZHANG Yangsen,ZHENG Jia,JIANG Yuru,HUANG Gaijuan,CHEN Ruoyu.  Chinese Journal of Electronics. 2019(01)
[3]基于視覺的印刷字符缺陷自動檢測方法[J]. 馮秋歌,吳祿慎,王曉輝.  南昌大學(xué)學(xué)報(工科版). 2018(04)
[4]鋼軌表面缺陷檢測系統(tǒng)中圖像增強(qiáng)預(yù)處理方法研究[J]. 岳彪,閔永智,馬宏鋒,肖本郁.  鐵道科學(xué)與工程學(xué)報. 2018(12)
[5]融合LSTM的DCNN及其圖像模糊類型和參數(shù)識別[J]. 黃綠娥,吳祿慎,陳華偉.  應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報. 2018(05)
[6]基于線結(jié)構(gòu)光傳感器的軌道板幾何形貌檢測方法[J]. 祝祥,邵雙運,宋志軍.  中國光學(xué). 2018(05)
[7]軌道扣件檢測特征提取算法研究[J]. 吳祿慎,萬超,張叢.  機(jī)械設(shè)計與制造. 2018(08)
[8]基于MEMS陀螺儀的電子穩(wěn)像算法[J]. 趙賽,康寶生,王力.  西北大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[9]基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測綜述[J]. 吳帥,徐勇,趙東寧.  模式識別與人工智能. 2018(04)
[10]基于非零均值廣義高斯模型與全局結(jié)構(gòu)相關(guān)性的BRISQUE改進(jìn)算法[J]. 唐祎玲,江順亮,徐少平.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2018(02)

博士論文
[1]基于壓縮感知的動目標(biāo)檢測技術(shù)及其應(yīng)用研究[D]. 王敏敏.中國科學(xué)院大學(xué)(中國科學(xué)院上海技術(shù)物理研究所) 2018
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用[D]. 高震宇.中國科學(xué)技術(shù)大學(xué) 2018
[3]軌道靜態(tài)幾何狀態(tài)三維約束測量技術(shù)研究[D]. 王志勇.南昌大學(xué) 2018
[4]基于特征共享的高效物體檢測[D]. 任少卿.中國科學(xué)技術(shù)大學(xué) 2016
[5]產(chǎn)品表面缺陷視覺檢測數(shù)據(jù)處理關(guān)鍵技術(shù)研究[D]. 袁小翠.南昌大學(xué) 2015
[6]運動模糊圖像全變分復(fù)原理論及關(guān)鍵技術(shù)研究[D]. 石明珠.北京理工大學(xué) 2014
[7]運動模糊圖像恢復(fù)算法的研究與實現(xiàn)[D]. 劉微.中國科學(xué)院研究生院（長春光學(xué)精密機(jī)械與物理研究所） 2006

碩士論文
[1]基于深度學(xué)習(xí)的高鐵接觸網(wǎng)懸掛目標(biāo)檢測圖像處理研究[D]. 狄亞柳.西南交通大學(xué) 2018
[2]基于機(jī)器視覺的人體運動目標(biāo)智能監(jiān)控系統(tǒng)設(shè)計與研究[D]. 黃綠娥.北京交通大學(xué) 2008



本文編號：3259963