关键词:
动态视觉传感器
目标检测
事件信息可视化
卷积神经网络
摘要:
随着空间遥感成像技术朝着大视场、高分辨、超宽幅方向发展,遥感图像的数据量急剧增大,使得对空间遥感目标的实时检测变得尤为困难。动态视觉传感器是一种受生物视觉系统的启发而发展的新型视觉传感器,它只响应视场内的动态变化而对静态的背景不产生数据输出,可以极大地减少输出数据量,为上述问题带来了新的解决方案。本文在此研究背景下,以动态视觉传感器的原理结构和输出数据为基础,研究事件信息表达物体特征的能力,提出了可实现自适应时间分辨率的事件信息可视化方法,将事件信息转换为伪帧图像。同时针对这种图像,研究能平衡检测速度和精度的目标检测算法,并检验伪帧图像被应用于目标检测时的检测效果,为动态视觉传感器的实际应用做前验研究。具体工作包括以下几个部分:首先介绍了本课题的研究背景与研究意义,动态视觉传感器与传统视觉传感器的区别,以及动态视觉传感器和目标检测技术的研究现状。又根据动态视觉传感器的工作原理和数据结构分析了它的特点和用法,并通过几个经典的算法介绍了目标检测技术的原理。其次针对事件信息的可视化问题,提出了一种可实现自适应时间分辨率的事件信息可视化方法,它将事件信息依次经过伪帧化、去噪与滤波和时间分辨率自适应处理,从而得到能直观表示目标状态的类似于帧图像形式的伪帧图像。这种方法能根据目标运动状态的变化适时更新所获一系列伪帧图像的时间分辨率,不仅能充分利用动态视觉传感器高时间分辨率的特点,还能大幅减少无用伪帧图像的生成。另外,在对初始伪帧图去噪与滤波时,通过对比中值滤波、近邻滤波和连通域滤波的效果,最终确定了近邻滤波的方案;还通过对比固定时间间隔(constant time interval,CTI)和固定事件数量(constant number of events,CNE)的伪帧化方案,证明了自适应时间分辨率(adaptive temporal resolution,ATR)方案的优越性。然后为了验证伪帧图像在目标检测的实际应用中效果的优劣,针对伪帧图像数据结构简单、只包含轮廓信息、特征少等特点,基于YOLO网络的基本架构设计了YOLOE目标检测网络。先分析了伪帧图像的特点和YOLO网络的基本情况,再依次对YOLO网络基本框架的各个部分进行网络改进和测试验证,最终得到YOLOE目标检测网络整体模型。YOLOE的设计思路是在保证足够检测准确率的情况下,尽量减小模型大小,增加检测速度。最后,设计实验方案并采集实验数据,分别制作了用于验证事件信息可视化处理的特征保留效果和用于验证YOLOE网络模型的检测与泛化能力的伪帧图像数据集。通过验证实验,得到了由ATR方法所得图像的检测准确率相比CTI和CNE的方法分别高5.11%和4.74%,验证了自适应时间分辨率的事件信息可视化方法获取的伪帧图像与固定事件数量和固定时间间隔相比拥有更强的目标识别与定位效果;得到了YOLOE的m AP为85.11%、FPS为109、模型大小为163MB,验证了本文设计的YOLOE目标检测网络具有很好的综合检测性能;同时证明了通过事件信息获得的伪帧图像具有实际应用价值和应用意义,将动态视觉传感器应用于目标检测任务具有一定的可行性和先进性。在文章的最后,对本文所进行的研究工作进行了总结,并展望了动态视觉传感器在空间探测领域未来的发展方向。