基于动态视觉传感器的目标检测与识别算法研究

发布时间：2023-05-19 03:49

　　随着科技发展,目标检测的检测精度和速度逐步提高,但其在高速运动场景、光线明亮或昏暗场景下检测效果不如人意。近些年兴起的事件相机,通过感知光线强度变化输出事件,良好地解决了光线条件不足和无法捕捉高速运动的问题。针对此问题,本文利用动态视觉传感器,提出了两种基于事件的端到端目标检测算法,并从事件处理、特征提取、特征分类等方面对算法进行了创新与改进。首先,本文介绍了事件相机的种类、工作原理和优势,并建立动态视觉传感器的数学模型。通过对输出事件的分析,从离散和连续两个角度对事件流进行处理,提出两种事件处理模型,即积分模型和Leaky Surface模型。其次,本文提出了两种基于事件的目标检测算法,即基于事件的改进HOG+SVM目标检测算法和基于事件的深度学习检测算法Event-YOLO。改进HOG+SVM目标检测算法主要通过事件处理模型将事件转为灰度图,采用改进的HOG特征进行特征提取,加强了整体特征提取,降低了局部细节特征的注意力。最后通过组合支持向量机,实现多个目标的检测与分类。Event-YOLO检测方法则是在YOLO网络基础上加入Leaky Surface模型,实现对事件的处理,并设计...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究目的和意义
    1.2 传统图像传感器与事件相机
    1.3 国内外研究现状
        1.3.1 目标检测研究现状
        1.3.2 事件相机研究现状
        1.3.3 研究现状分析
    1.4 本文主要研究内容
第2章 事件相机分类及事件模型搭建
    2.0 引言
    2.1 事件相机分类
        2.1.1 动态视觉传感器
        2.1.2 基于时间异步动态视觉传感器
        2.1.3 动态有源像素视觉传感器
    2.2 事件生成原理
    2.3 事件处理原理
        2.3.1 逐事件处理原理
        2.3.2 组事件处理原理
        2.3.3 脉冲神经网络原理
    2.4 多对一转换模型
    2.5 本章小结
第3章 基于事件的特征检测算法研究
    3.1 引言
    3.2 基于事件的特征提取方法设计
        3.2.1 Haar-like特征
        3.2.2 LBP特征
        3.2.3 HOG特征
        3.2.4 改进HOG特征
    3.3 基于事件的支持向量机检测算法研究
        3.3.1 支持向量机算法
        3.3.2 改进多分类支持向量机算法
    3.4 本章小结
第4章 基于事件的卷积神经网络检测算法研究
    4.1 引言
    4.2 基于事件的卷积神经网络设计
        4.2.1 事件处理模型
        4.2.2 基于事件的卷积层设计
        4.2.3 基于事件的最大池化层设计
        4.2.4 基于事件的检测网络设计
    4.3 基于事件的损失函数设计
    4.4 本章小结
第5章 目标检测算法实现及结果分析
    5.1 引言
    5.2 数据处理与设计
    5.3 检测算法分析与比较
        5.3.1 改进HOG+SVM检测算法结果分析
        5.3.2 基于事件的深度学习检测算法结果分析
        5.3.3 检测算法比较与分析
    5.4 本章小结
结论
参考文献
致谢



本文编号：3819596