基于深度学习的仿生复眼目标识别系统设计
发布时间：2021-08-15 05:05
随着人工智能技术的不断提高,具有视觉能力的机器人在军、民用领域的需求不断增多。目前的机器视觉平台以单目探测系统构架为主导,这种结构的探测系统视场范围较小,无法对大范围环境进行完整的视场覆盖与全面的图像捕捉,导致其探测灵活度较低。同时现阶段配合机器视觉平台的目标识别算法主要由人工目标特征定义与匹配法实现,该方法在定义目标特征环节经常会因人为误差导致识别精度下降,且对于复杂目标几乎无法进行精准定义。所以单目探测系统与人工定义特征匹配目标识别算法均不适用于现代机器视觉的使用环境中。为解决以上问题,同时提高机器视觉系统的探测范围与目标识别能力,通过对昆虫复眼结构的研究与神经网络的搭建,设计了一种基于深度学习的仿生复眼目标识别探测系统。系统通过多孔径拼接成像的方法在大范围内采集目标物图像信息,整合信息后利用以压缩的YOLO V3深度卷积神经网络为主体算法进行目标识别,同时采用KCF目标跟踪算法对识别的目标物进行锁定,完成对目标物的实时识别与跟踪。通过实验证明,系统能够在较大的视场范围内对目标进行识别与追踪,解决了以往单目探测系统图像捕捉范围窄、灵活性差的问题。同时将图像特征匹配算法与卷积神经网络...
【文章来源】：沈阳理工大学辽宁省
【文章页数】：100 页
【学位级别】：硕士
【部分图文】：
图１．１百度测绘车载激光全景相机??Ｆｉｇ．?１．１?Ｍａｐｐｉｎｇ?ｖｅｈｉｃｌｅ?ｍｏｕｎｔｅｄ?ｌａｓｅｒ?ｐａｎｏｒａｍｉｃ?ｃａｍｅｒａ?ｆｏｒｍ?Ｂａｉｄｕ??
微透镜的光轴互相平行、光学结构相同。日本大阪大学ＪｕｎＴａｎｉｄａ等人Ｗ于２００１??年研制了?ＴＯＭＢＯ?（Ｔｈｉｎ?Ｏｂｓｅｒｖａｔｉｏｎ?Ｍｏｄｕ丨ｅ?ｂｙ?Ｂｏｕｎｄ?Ｏｐｔｉｃｓ）仿生复眼，该系??统由微透镜阵列、光线隔离层与光电探测器阵列组成，其结构如图１．２所示。系??统中每个微透镜与其正下方的光线隔离层和对应的光电探测器组合为一组子眼，??图像光信号经过微透镜成像在光电探测器上，光线隔离层对相邻子眼间的干扰光??信号进行阻断，以防止信号间串扰造成成像偏差，ＴＯＭＢＯ系统虽然具有结构紧??凑、组装方便与大视场角的特点，但由于每个微透镜直径较小，导致系统通光量??较低，衍射现象严重，成像分辨率较差。??＿ｒ??辟滤光片??￥?笟透梗ｅ列??光线涡离芸??光电探５９Ｓ这列??图１．２?ＴＯＭＢＯ平面仿生复眼结构??Ｆｉｇ．?１．２?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＴＯＭＢＯ?ｐｌａｎａｒ?ｂｉｏｎｉｃ?ｃｏｍｐｏｕｎｄ?ｅｙｅ??德国的Ｆｒａｕｎｈｏｆｅｒ实验室在平面仿生复眼领域做出了大量的研究。早期阶段，??Ｄｕｐａｒｒｅ等人利用光刻法制作了?ＡＡＣＥ仿生复眼Ｗ。该复眼系统以透明玻璃为衬??底，利用光刻技术在其正反两面分别加工出透光孔与微透镜阵列。图像光信号通??过微透镜后
▼．、ｆｆ?’??．．?－?？?■．?，?＇？?．?．?．?．?．：＇?．?．?？?Ｉ??＼光‘接收器??图１．３?ＡＮＳＥ平面仿生复眼结构??Ｆｉｇ．?１．３?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＡＮＳＥ?ｐｌａｎａｒ?ｂｉｏｎｉｃ?ｃｏｍｐｏｕｎｄ?ｅｙｅ??为优化成像问题，Ｆｒａｕｎｈｏｆｅｒ实验室在原有基础上研制了?ｏＣｌｅｙ仿生复眼［４］，??该系统由三层的啁啾微透镜和光阑阵列组成。其中每个独立的子眼由三个来自不??同层的啁啾微透镜组成，且每个透镜光轴存在一定夹角，使得子眼能够同时接收??不同方向的光信号，最终将整个系统接受到的全部图像信息进行拼接，得到最终??成像结果。该系统视场角为７０°?＞＜１０°，分辨率为７１１ｐ／ｍｍ。随后Ｆｒａｕｎｈｏｆｅｒ实??验室又对ｏＣｌｅｙ平面仿生复眼系统作出改进，设计出了结构更为简单且成像质量??更好的ｅＣｌｅｙ【５］。??目前，Ｆｒａｕｎｈｏｆｅｒ实验室于２０１７年己能够利用该原理设计出可量产的平面??仿生复眼系统ｆａｃｅｔＶＩＳＩＯＮ，该系统厚度仅为２毫米，分辨率能够达到百万像素??级
【参考文献】：
期刊论文
[1]基于Zemax的消球差非球面透镜的优化设计[J]. 靳伍银,高姣林,剡昌峰. 兰州理工大学学报. 2018(05)
[2]基于改进的TLD目标跟踪算法[J]. 胡欣,高佳丽. 计算机应用研究. 2019(05)
[3]基于机器视觉的TLD目标跟踪算法改进[J]. 刘雪飞,蒋蓁. 工业控制计算机. 2018(08)
[4]改进YOLO V3遥感图像飞机识别应用[J]. 郑志强,刘妍妍,潘长城,李国宁. 电光与控制. 2019(04)
[5]基于YOLO的车辆信息检测和跟踪系统[J]. 王福建,张俊,卢国权,李翔,罗鹏. 工业控制计算机. 2018(07)
[6]基于Faster RCNN的智能车道路前方车辆检测方法[J]. 史凯静,鲍泓,徐冰心,潘卫国,郑颖. 计算机工程. 2018(07)
[7]改进的Faster RCNN煤矿井下行人检测算法[J]. 李伟山,卫晨,王琳. 计算机工程与应用. 2019(04)
[8]解析CMOS图像传感器技术及未来发展[J]. 电子元器件与信息技术. 2018(03)
[9]改进的KCF红外空中目标跟踪方法[J]. 郑武兴,王春平,付强. 激光与红外. 2017(12)
[10]基于Faster RCNN以及多部件结合的机场场面静态飞机检测[J]. 戴陈卡,李毅. 计算机应用. 2017(S2)
博士论文
[1]仿生曲面复眼系统设计及其图像处理研究[D]. 史成勇.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2017
[2]仿生复眼全景立体成像关键技术研究[D]. 王玉伟.中国科学技术大学 2017
硕士论文
[1]基于卷积神经网络的目标检测研究[D]. 杨俊.兰州理工大学 2018
[2]基于ZEMAX的非球面远心系统优化设计研究[D]. 罗迪.广东工业大学 2018
[3]基于人脸检测YOLO算法的专用型卷积神经网络推理加速器的研究与设计[D]. 罗聪.华南理工大学 2018
[4]基于卷积神经网络的小目标行人检测研究[D]. 蒋家俊.兰州理工大学 2018
[5]基于卷积神经网络的行人检测和识别研究[D]. 郝旭政.天津工业大学 2018
[6]基于特征约束的视频目标跟踪算法研究[D]. 陆徐行.南京邮电大学 2017
[7]基于深度学习的室外车辆跟踪算法研究[D]. 杜省.西安理工大学 2017
[8]交通事故现场图像处理仿生复眼阵列设计研究[D]. 刘丹.吉林大学 2017
[9]基于KCF和视觉注意的多特征动态融合视觉目标跟踪研究[D]. 陈佳兴.西南交通大学 2017
[10]基于Faster RCNN的视频动作检测[D]. 贾川川.北京工业大学 2017
本文编号：3343909
【文章来源】：沈阳理工大学辽宁省
【文章页数】：100 页
【学位级别】：硕士
【部分图文】：
图１．１百度测绘车载激光全景相机??Ｆｉｇ．?１．１?Ｍａｐｐｉｎｇ?ｖｅｈｉｃｌｅ?ｍｏｕｎｔｅｄ?ｌａｓｅｒ?ｐａｎｏｒａｍｉｃ?ｃａｍｅｒａ?ｆｏｒｍ?Ｂａｉｄｕ??
微透镜的光轴互相平行、光学结构相同。日本大阪大学ＪｕｎＴａｎｉｄａ等人Ｗ于２００１??年研制了?ＴＯＭＢＯ?（Ｔｈｉｎ?Ｏｂｓｅｒｖａｔｉｏｎ?Ｍｏｄｕ丨ｅ?ｂｙ?Ｂｏｕｎｄ?Ｏｐｔｉｃｓ）仿生复眼，该系??统由微透镜阵列、光线隔离层与光电探测器阵列组成，其结构如图１．２所示。系??统中每个微透镜与其正下方的光线隔离层和对应的光电探测器组合为一组子眼，??图像光信号经过微透镜成像在光电探测器上，光线隔离层对相邻子眼间的干扰光??信号进行阻断，以防止信号间串扰造成成像偏差，ＴＯＭＢＯ系统虽然具有结构紧??凑、组装方便与大视场角的特点，但由于每个微透镜直径较小，导致系统通光量??较低，衍射现象严重，成像分辨率较差。??＿ｒ??辟滤光片??￥?笟透梗ｅ列??光线涡离芸??光电探５９Ｓ这列??图１．２?ＴＯＭＢＯ平面仿生复眼结构??Ｆｉｇ．?１．２?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＴＯＭＢＯ?ｐｌａｎａｒ?ｂｉｏｎｉｃ?ｃｏｍｐｏｕｎｄ?ｅｙｅ??德国的Ｆｒａｕｎｈｏｆｅｒ实验室在平面仿生复眼领域做出了大量的研究。早期阶段，??Ｄｕｐａｒｒｅ等人利用光刻法制作了?ＡＡＣＥ仿生复眼Ｗ。该复眼系统以透明玻璃为衬??底，利用光刻技术在其正反两面分别加工出透光孔与微透镜阵列。图像光信号通??过微透镜后
▼．、ｆｆ?’??．．?－?？?■．?，?＇？?．?．?．?．?．：＇?．?．?？?Ｉ??＼光‘接收器??图１．３?ＡＮＳＥ平面仿生复眼结构??Ｆｉｇ．?１．３?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＡＮＳＥ?ｐｌａｎａｒ?ｂｉｏｎｉｃ?ｃｏｍｐｏｕｎｄ?ｅｙｅ??为优化成像问题，Ｆｒａｕｎｈｏｆｅｒ实验室在原有基础上研制了?ｏＣｌｅｙ仿生复眼［４］，??该系统由三层的啁啾微透镜和光阑阵列组成。其中每个独立的子眼由三个来自不??同层的啁啾微透镜组成，且每个透镜光轴存在一定夹角，使得子眼能够同时接收??不同方向的光信号，最终将整个系统接受到的全部图像信息进行拼接，得到最终??成像结果。该系统视场角为７０°?＞＜１０°，分辨率为７１１ｐ／ｍｍ。随后Ｆｒａｕｎｈｏｆｅｒ实??验室又对ｏＣｌｅｙ平面仿生复眼系统作出改进，设计出了结构更为简单且成像质量??更好的ｅＣｌｅｙ【５］。??目前，Ｆｒａｕｎｈｏｆｅｒ实验室于２０１７年己能够利用该原理设计出可量产的平面??仿生复眼系统ｆａｃｅｔＶＩＳＩＯＮ，该系统厚度仅为２毫米，分辨率能够达到百万像素??级
【参考文献】：
期刊论文
[1]基于Zemax的消球差非球面透镜的优化设计[J]. 靳伍银,高姣林,剡昌峰. 兰州理工大学学报. 2018(05)
[2]基于改进的TLD目标跟踪算法[J]. 胡欣,高佳丽. 计算机应用研究. 2019(05)
[3]基于机器视觉的TLD目标跟踪算法改进[J]. 刘雪飞,蒋蓁. 工业控制计算机. 2018(08)
[4]改进YOLO V3遥感图像飞机识别应用[J]. 郑志强,刘妍妍,潘长城,李国宁. 电光与控制. 2019(04)
[5]基于YOLO的车辆信息检测和跟踪系统[J]. 王福建,张俊,卢国权,李翔,罗鹏. 工业控制计算机. 2018(07)
[6]基于Faster RCNN的智能车道路前方车辆检测方法[J]. 史凯静,鲍泓,徐冰心,潘卫国,郑颖. 计算机工程. 2018(07)
[7]改进的Faster RCNN煤矿井下行人检测算法[J]. 李伟山,卫晨,王琳. 计算机工程与应用. 2019(04)
[8]解析CMOS图像传感器技术及未来发展[J]. 电子元器件与信息技术. 2018(03)
[9]改进的KCF红外空中目标跟踪方法[J]. 郑武兴,王春平,付强. 激光与红外. 2017(12)
[10]基于Faster RCNN以及多部件结合的机场场面静态飞机检测[J]. 戴陈卡,李毅. 计算机应用. 2017(S2)
博士论文
[1]仿生曲面复眼系统设计及其图像处理研究[D]. 史成勇.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2017
[2]仿生复眼全景立体成像关键技术研究[D]. 王玉伟.中国科学技术大学 2017
硕士论文
[1]基于卷积神经网络的目标检测研究[D]. 杨俊.兰州理工大学 2018
[2]基于ZEMAX的非球面远心系统优化设计研究[D]. 罗迪.广东工业大学 2018
[3]基于人脸检测YOLO算法的专用型卷积神经网络推理加速器的研究与设计[D]. 罗聪.华南理工大学 2018
[4]基于卷积神经网络的小目标行人检测研究[D]. 蒋家俊.兰州理工大学 2018
[5]基于卷积神经网络的行人检测和识别研究[D]. 郝旭政.天津工业大学 2018
[6]基于特征约束的视频目标跟踪算法研究[D]. 陆徐行.南京邮电大学 2017
[7]基于深度学习的室外车辆跟踪算法研究[D]. 杜省.西安理工大学 2017
[8]交通事故现场图像处理仿生复眼阵列设计研究[D]. 刘丹.吉林大学 2017
[9]基于KCF和视觉注意的多特征动态融合视觉目标跟踪研究[D]. 陈佳兴.西南交通大学 2017
[10]基于Faster RCNN的视频动作检测[D]. 贾川川.北京工业大学 2017
本文编号：3343909
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3343909.html
