發(fā)布時(shí)間：2024-04-26 03:40

　　為了實(shí)現(xiàn)復(fù)雜場(chǎng)景下激光跟蹤儀跟蹤恢復(fù)過程中合作目標(biāo)靶球的檢測(cè),本文研究了基于深度學(xué)習(xí)的靶球檢測(cè)方法。首先,分析靶球自身特點(diǎn)、應(yīng)用環(huán)境及它在跟蹤恢復(fù)過程中的作用,然后根據(jù)Faster R-CNN模型原理與跟蹤恢復(fù)應(yīng)用需求提出基于超特征與淺層高分辨率特征信息復(fù)用的改進(jìn)方法生成新的融合特征圖,并優(yōu)化區(qū)域建議提取參數(shù),協(xié)同解決圖像中目標(biāo)多尺度變化與小尺寸導(dǎo)致目標(biāo)漏檢率高的問題;同時(shí)提出一種基于強(qiáng)背景干擾的困難樣本挖掘方法提高模型對(duì)外形顏色等與目標(biāo)近似的干擾物識(shí)別能力,解決模型誤檢測(cè)率高的問題。最后,本文構(gòu)建了目標(biāo)靶球數(shù)據(jù)集并進(jìn)行了對(duì)比訓(xùn)練與測(cè)試。測(cè)試實(shí)驗(yàn)結(jié)果表明:本文提出的基于強(qiáng)背景干擾困難樣本挖掘方法的改進(jìn)Faster R-CNN模型在目標(biāo)多尺度、小尺寸檢測(cè),以及對(duì)復(fù)雜背景中相似干擾物的辨別能力都有提升,最終對(duì)測(cè)試集的檢測(cè)精度達(dá)到了90.11%,能夠滿足激光跟蹤儀跟蹤恢復(fù)過程對(duì)合作目標(biāo)靶球的視覺檢測(cè)精度要求。

【文章頁數(shù)】：12 頁

【部分圖文】：

圖1激光跟蹤儀跟蹤原理

如圖2所示,激光跟蹤儀跟蹤測(cè)量過程中,合作目標(biāo)靶球成像于圖像傳感器中心區(qū)域,如O點(diǎn)所示;若發(fā)生目標(biāo)丟失,跟蹤中斷的情況,靶球在圖像傳感器中偏離了中心位置O,成像位置記為點(diǎn)P。計(jì)算位置O與位置P的像素距離,再根據(jù)攝像機(jī)標(biāo)定原理利用相機(jī)內(nèi)參數(shù)將像素距離換算成圖像傳感器上的實(shí)際物理距離....

圖2跟蹤恢復(fù)原理

圖1激光跟蹤儀跟蹤原理3基于FasterR-CNN網(wǎng)絡(luò)框架的合作目標(biāo)靶球檢測(cè)及改進(jìn)設(shè)計(jì)

圖3FasterR-CNN網(wǎng)絡(luò)的基本結(jié)構(gòu)

RossB.Girshick等在2016年提出了FasterR-CNN網(wǎng)絡(luò)結(jié)構(gòu)[7],如圖3所示,FasterR-CNN網(wǎng)絡(luò)最大的特點(diǎn)是提出了基于網(wǎng)絡(luò)生成候選區(qū)域方法(RegionProposalNetworks,RPN)代替了選擇性搜索SelectiveSearc....

圖4改進(jìn)的深度卷積特征提取

本文提出了一種結(jié)合HyperNet框架結(jié)構(gòu)[9]與淺層高分辨率特征信息復(fù)用的方法,生成新的融合特征圖替代原有的單一深層特征圖。在避免大幅度加深網(wǎng)絡(luò)模型復(fù)雜度導(dǎo)致檢測(cè)速度下降的前提下,利用淺層特征圖包含較多細(xì)節(jié)信息來提高小目標(biāo)的檢測(cè)效果,同時(shí)匯聚不同尺度池化的特征圖信息提高目標(biāo)多尺....

本文編號(hào)：3964653