近年來,隨著深度學習的迅速發(fā)展,圖像處理這一研究方向備受關(guān)注。目標識別技術(shù)是指利用計算機對圖像進行處理、分析,將一特殊目標從其他目標中被區(qū)分出來的過程。由于遮擋、扭曲、模糊等因素的干擾,使得目標識別的準確率和魯棒性較差。與傳統(tǒng)成像相比,光場包含了在不同位置和不同角度對同一物體進行拍攝的所有圖像,即光場所包含的圖像信息更廣泛,圖像質(zhì)量更高。由此可見,光場可以作為目標的天然特征庫。由于光場自身的稀疏性,光場重構(gòu)大大的提高了光場在實際中的應用。然而,光場有限的可視范圍和光場重構(gòu)時數(shù)據(jù)量巨大、計算過程復雜等問題極大地影響了光場在目標識別中的準確性和實時性。農(nóng)業(yè)是我國的第一產(chǎn)業(yè),其發(fā)展與大眾的衣食密不可分。實際的農(nóng)業(yè)場景通常也很復雜,不同的天氣、地域、土壤、光照及作物品種都給相關(guān)研究帶來了巨大挑戰(zhàn)。本研究針對光場可視范圍有限、光場重構(gòu)數(shù)據(jù)量大且可用數(shù)據(jù)難以獲取等問題,利用多智能協(xié)作機制對機動目標狀態(tài)進行有效估計,解決了機動目標丟失的問題。在有遮擋、分辨率低的環(huán)境下,圖像重構(gòu)所需要的基礎(chǔ)數(shù)據(jù)并不能完全得到。針對多視角光場重建過程中,捕獲數(shù)據(jù)樣本總量大,但可用數(shù)據(jù)較少的問題,利用生成式對抗網(wǎng)絡對目標... 

【文章來源】：河南科技學院河南省

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

多視角光場重構(gòu)下的機動目標識別方法流程圖

基于多視角的光場重構(gòu)算法72基于多視角的光場重構(gòu)算法實際應用場景中，獲得一個完整光場是難以實現(xiàn)的。在重構(gòu)過程中大量的數(shù)據(jù)會導致誤差增加等問題，以至于造成光場重構(gòu)的實時性和識別準確率不理想。因此，本章節(jié)提出光場的多視角表示模型，運用該模型將全光場有效地分為多視角光場，并對多視角下的光場依次進行重構(gòu)。根據(jù)多視角協(xié)作機制對各視角捕獲的圖像信息進行融合，并對機動目標做出有效的狀態(tài)估計[38]，該方法具體流程如圖2-1所示。本章節(jié)部分內(nèi)容已在InternationalJournalofDistributedSensorNetworks雜志上發(fā)表[38]。圖2-1基于多視角的光場重構(gòu)方法總體流程圖2.1光場的多視角表示模型本章節(jié)使用斯坦福大學光場庫中的樂高推土機作為給定圖像表示為權(quán)重圖=(,)，節(jié)點表示圖像中的像素點，光場域表示鄰域結(jié)構(gòu)的選擇，域的權(quán)重為∈。定義每個節(jié)點∈的二元標記為=∈{0,1}，=1表示屬于目標，=0表示屬于背景。將每個視角光場閾值定義在:→2，那么最小適合的泛化函數(shù)()為()=∫|(())|2+|()|2+|()|2（2-1）式中，為閾值位于灰度梯度區(qū)域內(nèi)的標準，為隨機參數(shù)，為加權(quán)函數(shù)。在閾值中加入特定的參數(shù)，即最小化如下泛化函數(shù)計算灰度函數(shù)()=∫()2+∫||2|+||（2-2）在公式（2-2）中，在輸入的光場圖像中加入與閾值近似值，并對閾值邊緣加權(quán)進行評判，令:→在域上是灰度值輸入圖

基于多視角的光場重構(gòu)算法9圖2-3光場重構(gòu)模型(,,,)是距離目標平面的光場參數(shù)，是由于光學漸暈效應的衰減因子。把(,,,)→(′,′,,)，那么就可以得到任意平面上的點成像函數(shù)(′,′,,)=(+′,+′,,)={(11)+′,(11)+′,,}（2-7）(,)(′,′)=122((11)+′,(11)+′,,)（2-8）基于上述方法可將各個視角光場通過四維傅里葉變換得到圖像的頻域信息，然后對其進行中心切片及小波反變換依次重構(gòu)并得出各視角重構(gòu)后的光場，如圖2-4所示。圖2-4多視角光場重構(gòu)流程圖2.3多視角光場的協(xié)作機制在執(zhí)行任務過程中，單視角的可視范圍是有限的，而且機動目標及視角周圍的信息也都是迅速發(fā)生變化的。由此可見，單視角適應性不強，執(zhí)行效率較低。本文提出多視角光場間的協(xié)作機制，使得多視角光場在執(zhí)行任務的過程中，每個視角下的子光場可根據(jù)自身光場的信息與目標信息完成角色互換，實現(xiàn)多視角光場協(xié)作[40-43]。多視角光場有

【參考文獻】：
期刊論文
[1]復雜動背景下的“低小慢”目標檢測技術(shù)[J]. 吳言楓,王延杰,孫海江,劉培勛.  中國光學. 2019(04)
[2]基于深度學習的多視窗SSD目標檢測方法[J]. 唐聰,凌永順,鄭科棟,楊星,鄭超,楊華,金偉.  紅外與激光工程. 2018(01)
[3]基于OpenCV的組合優(yōu)化多目標檢測追蹤算法[J]. 鄭璽,李新國.  計算機應用. 2017(S2)
[4]復雜背景下紅外人體目標檢測算法研究[J]. 馬也,常青,胡謀法.  紅外技術(shù). 2017(11)
[5]基于小波變換與稀疏傅里葉變換相結(jié)合的光場重構(gòu)方法[J]. 周廣福,文成林,高敬禮.  電子學報. 2017(04)
[6]汽車輔助駕駛系統(tǒng)動態(tài)目標檢測方法[J]. 羅栩豪,王培,李紹華,梁巍,馬心坦.  計算機工程. 2018(01)
[7]光場圖像重構(gòu)算法仿真[J]. 速晉輝,金易弢,陸藝丹,張薇.  光學儀器. 2017(01)
[8]基于卷積神經(jīng)網(wǎng)絡的SAR圖像目標識別研究.[J]. 田壯壯,占榮輝,胡杰民,張軍.  雷達學報. 2016(03)



本文編號：3544914