面向激光跟踪仪跟踪恢复的合作目标视觉检测

发布时间：2024-04-26 03:40

　　为了实现复杂场景下激光跟踪仪跟踪恢复过程中合作目标靶球的检测,本文研究了基于深度学习的靶球检测方法。首先,分析靶球自身特点、应用环境及它在跟踪恢复过程中的作用,然后根据Faster R-CNN模型原理与跟踪恢复应用需求提出基于超特征与浅层高分辨率特征信息复用的改进方法生成新的融合特征图,并优化区域建议提取参数,协同解决图像中目标多尺度变化与小尺寸导致目标漏检率高的问题;同时提出一种基于强背景干扰的困难样本挖掘方法提高模型对外形颜色等与目标近似的干扰物识别能力,解决模型误检测率高的问题。最后,本文构建了目标靶球数据集并进行了对比训练与测试。测试实验结果表明:本文提出的基于强背景干扰困难样本挖掘方法的改进Faster R-CNN模型在目标多尺度、小尺寸检测,以及对复杂背景中相似干扰物的辨别能力都有提升,最终对测试集的检测精度达到了90.11%,能够满足激光跟踪仪跟踪恢复过程对合作目标靶球的视觉检测精度要求。

【文章页数】：12 页

【部分图文】：

图1激光跟踪仪跟踪原理

如图2所示,激光跟踪仪跟踪测量过程中,合作目标靶球成像于图像传感器中心区域,如O点所示;若发生目标丢失,跟踪中断的情况,靶球在图像传感器中偏离了中心位置O,成像位置记为点P。计算位置O与位置P的像素距离,再根据摄像机标定原理利用相机内参数将像素距离换算成图像传感器上的实际物理距离....

图2跟踪恢复原理

图1激光跟踪仪跟踪原理3基于FasterR-CNN网络框架的合作目标靶球检测及改进设计

图3FasterR-CNN网络的基本结构

RossB.Girshick等在2016年提出了FasterR-CNN网络结构[7],如图3所示,FasterR-CNN网络最大的特点是提出了基于网络生成候选区域方法(RegionProposalNetworks,RPN)代替了选择性搜索SelectiveSearc....

图4改进的深度卷积特征提取

本文提出了一种结合HyperNet框架结构[9]与浅层高分辨率特征信息复用的方法,生成新的融合特征图替代原有的单一深层特征图。在避免大幅度加深网络模型复杂度导致检测速度下降的前提下,利用浅层特征图包含较多细节信息来提高小目标的检测效果,同时汇聚不同尺度池化的特征图信息提高目标多尺....

本文编号：3964653