没有合适的资源?快使用搜索试试~ 我知道了~
首页YOLO在双目图像匹配中的应用研究
YOLO在双目图像匹配中的应用研究
需积分: 5 2 下载量 48 浏览量
更新于2024-06-15
收藏 4.16MB PDF 举报
"基于YOLO的双目图像匹配方法研究" 这篇硕士论文主要探讨了基于YOLO(You Only Look Once)的双目图像匹配方法在计算机视觉领域的应用。随着图像处理和深度学习技术的进步,计算机视觉在自动驾驶、视频监控等多个领域扮演着重要角色。在特定的工程任务中,如高空测距,双目测距系统因其自动化和安全性成为优选方案。 双目图像匹配是计算机视觉中的关键技术,它能识别物体类别,建立图像间的视觉联系,进而获取有价值的视觉关系信息。然而,光照变化、尺度差异和视角变化等因素给图像匹配带来了挑战。传统的匹配算法可能因误匹配导致双目测距的不准确性,因此,结合深度学习的YOLO算法在限定区域内进行特征点匹配显得尤为关键。 YOLO是一种实时目标检测系统,以其高效和精确性而著名。论文深入探讨了YOLOv3的训练过程,制作了一个专门针对双目图像的训练数据集,该数据集包含了从KITTI数据集和自采集的双目图像中获取的目标(如汽车、自行车和人)的标注信息。通过K-means聚类算法,优化了候选框的宽高比,使其更适应双目图像中的目标特性。 针对小目标物体在双目图像中的识别问题,论文提出改进YOLOv3模型,以解决浅层网络到深层网络传递特征时可能出现的小目标信息丢失。通过增加更多尺寸的特征图,确保在多尺度预测时小目标物体的特征信息能够得到保留,从而提高匹配和测距的准确性。 这篇论文详细研究了双目图像匹配的理论基础,分析了YOLO算法在双目测距中的应用,并提出了一种针对双目图像的改进YOLO模型,旨在提升匹配效率和测距精度,对计算机视觉和深度学习领域的实践具有重要的参考价值。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88995508/bga.jpg)
基于 YOLO 的双目图像匹配方法研究
- 4 -
荐网络 RPN(Region Proposal Network),这种方法因为特征在区域推荐、目标分类和位置
回归三个不同任务中共享的特点,算法速度更快了。
Joseph Redmon 和 Ali Farhadi 等人于 2015 年提出基于单个神经网络的目标检测系统
YOLO
[18]
,不再像之前的基于区域推荐神经网络的物体检测方法那样产生大量的可能包
含待检测物体的候选目标框后,再产生每个目标框里中含有物体的可能性以及对物体分
类后所属类别的可能性,YOLO 是将物体检测任务当作一个回归问题,直接从一整张图
像来预测目标框的坐标、目标框中包含物体的置信度和物体的可能性,这是在使用一个
神经网络的情况下完成的,可以端到端优化物体检测性能。
2016 年 Wei Liu 等人针对 YOLO 算法的定位精度问题,借鉴了 YOLO 的回归思想
和 Faster R-CNN 的 anchor box 机制,提出了将两者结合起来的 SSD(Single Shot MultiBox
Detector)
[19]
算法,既可以继续保持和 YOLO 一样的快速性还保持了同 Faster R-CNN 类
似的边框定位效果。该算法在不同卷积层的特征图上进行物体预测,输出多尺度、多比
例的候选框的坐标和类别可能性,但是会出现小目标检测困难的问题,这是因为使用了
多层次特征分类,导致最后的卷积层的感受野范围很大而小目标特征不明显。
为了解决召回率和定位精度的误差,经过 Joseph Redmon 等人的改进,在 2017 年
的计算机视觉与模式识别会议上提出了 YOLO v2 和 YOLO 9000
[20]
算法。通过 K-Means
聚类分析算法计算出搜索候选框的大小比例尺寸,在卷积层使用增加候选框的预测。并
且为了提高对小尺寸目标的检测效果,将图像的浅层特征与深层特征连接了起来。
华盛顿大学 Joseph Redmon 和 Ali Farhadi 为了解决在最后一层上小物体的信息很难
体现而导致了小物体的识别比较困难的问题,2018 年在之前 YOLO 网络模型的基础上
做了一些结构改进,提出了最新的改进方法 YOLO v3
[21]
,无论是在精度上还是速度上
都有了很大的进步,一般情况下要比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。
1.2.2 图像特征匹配研究现状
从 20 世纪 70 年代国开始,国内外众多学者就已经开展了图像特征点匹配技术的研
究。随着所需要处理的图像环境越来越复杂,经过多年来的优化与改进,各种图像匹配
算法实现效果越来越好了。算法性能主要在图像匹配速度、特征点匹配准确率、算法鲁
棒性以及并行处理能力这四个方面得到了提高。由 Tanimoto 提出了一种基于尺度不变
性的对高斯金字塔逐层进行匹配的方法,极大地提高了运算速度。Lowe 提出的可以对
大量任意尺度、旋转与光照强度变化的图片进行匹配的 SIFT
[22]
匹配方法可以提高特征
点的匹配准确率。后来 Ulrich 提出了基于霍夫变换计算相似性的匹配算法提高了特征点
匹配算法的鲁棒性,Borgefors 提出基于分层和距离变换的匹配算法,可以增强算子的抗
![](https://csdnimg.cn/release/download_crawler_static/88995508/bgb.jpg)
兰州交通大学硕士学位论文
- 5 -
噪和旋转变化的能力。得益于显卡的研发,使得生产公司的性能迭代速度加快,基特征
匹配算法也得到了 GPU 加速的支撑,大大提高了算法并行处理能力。
在图像特征点匹配研究的特征点提取方面,局部特征点提取算法也因受到了广泛关
注取得了很大进展,Lowe 提出了 SIFT 特征点提取方法,是根据梯度直方图构造尺度不
变性的思想而来的。Herbert Bay 等提出了 SURF
[23]
特征点提取方法,是来自于尺度与旋
转不变性的思想,接着 E. Rublee 等人提出了 ORB
[24]
算法,该方法在 SIFT 和 SURF 算
法基础上
[25]
,利用 FAST(Features from Accelerated Segment Test)和 BRIEF(Binary Robust
Independent Elementary Features)
[26]
算法对特征点进行检测和匹配,对这两者算法进行结
合与改进的同时还兼顾了 SIFT 方法和 SURF 方法的准确性和鲁棒性,因为有较快的运
行速度而被广泛应用。
总的来说,双目图像匹配作为目前双目视觉应用领域的研究热点,已有众多学者针
对匹配效果的提升进行研究,深度学习目标检测技术在图像识别领域也广泛关注,结合
深度学习提高特征匹配精度具有研究意义。目前最热门的方法是结合深度学习目标识别
确定匹配区域来提升图像匹配的准确度。在深度学习图像匹配方法上,张博等人先后提
出了基于 Mask R-CNN 和 Faster R-CNN 两种改进双目图像匹配算法的办法
[27]
,对双目
图像基于特征点匹配的准确度提升效果非常显著,但是运行速度受限,因此本文针对提
升双目图像匹配准确度问题和保证匹配速度的问题上,研究了基于深度学习目标检测的
双目图像匹配算法
[28,29]
。
1.3 论文结构安排
第一章:绪论。本章内容主要是对论文研究内容的整体性说明,首先介绍了双目系
统、图像匹配技术以及深度学习目标检测算法在机器视觉领域的研究背景和意义,其次
介绍了图像特征点匹配以及深度学习目标检测技术,并对特征匹配技术和目标检测算法
的国内外研究动态和水平进行了大致描述,最后介绍了本文的研究内容以及论文结构安
排。
第二章:双目图像匹配及深度学习目标检测。这一章首先对双目图像特征点匹配技
术中的尺度不变特征变换 SIFT 和局部特征算法 SURF 这两种非常典型的算法进行了研
究,介绍并分析了不同双目图像匹配算法各自的基本原理及特点,通过系统仿真验证基
于特征点的图像匹配算法性能。然后对基于卷积神经网络的深度学习双目图像的目标检
测算法进行研究。介绍了在图像目标检测领域的几种不同原理的深度学习算法的原理及
过程,对卷积神经网络的基本结构、传播过程、训练等进行了深入研究,介绍了几种主
流的目标识别效果较好的目标检测算法。
![](https://csdnimg.cn/release/download_crawler_static/88995508/bgc.jpg)
基于 YOLO 的双目图像匹配方法研究
- 6 -
第三章:基于深度学习的双目图像目标检测。本文制作了符合 YOLO v3 算法训练
的用的双目图像数据集。数据集主要采用 KITTI 和双目摄像头自采集图像两个双目图像
数据集,然后通过 LabelImage 软件对图像中的特定目标如汽车、自行车以及人等进行标
注,标注后的目标位置信息会包含在一个.xml 文件中,并通过 K-means 算法对本文双目
图像数据集进行聚类后提供给网络训练时使用。接着针对包含较小目标的双目图像,小
目标物体特征信息包含在大尺度特征图中,在多尺度预测时,浅层网络提取特征传入深
层网络时会出现大尺度特征图中小目标物体的特征信息问题,改进 YOLO v3 进行目标
识别的卷积神经网络模型,在提取图像特征信息使用更多尺度预测,可以更好的识别较
小目标物体,降低小目标物体漏检率。
第四章:基于深度学习的双目图像匹配。本章主要针对不同应用场景中双目图像
ORB 匹配方法的匹配精度问题进行了研究,为了获得更高的双目图像匹配准确率,提
出一种改进的基于 YOLO 目标检测的 ORB 图像特征点匹配方法,该方法首先通过改进
YOLO 目标检测网络对双目图像进行识别,应用具有回归思想的卷积神经网络得到感兴
趣区域的目标坐标信息和类别信息,在原有的双目图像 ORB 粗匹配的基础上,对匹配
区域限制,剔除双目图像相同目标区域以外属于不同目标物体之间特征点的错误匹配。
为了验证本文提出的改进方法的可行性和有效性,对原有的 ORB 双目图像特征点匹配
和本文改进双目图像匹配方法进行了实验仿真,并对实验的仿真结果进行了对比分析。
第五章:总结与展望。
剩余59页未读,继续阅读
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
ohmygodvv
- 粉丝: 506
- 资源: 2348
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 利用迪杰斯特拉算法的全国交通咨询系统设计与实现
- 全国交通咨询系统C++实现源码解析
- DFT与FFT应用:信号频谱分析实验
- MATLAB图论算法实现:最小费用最大流
- MATLAB常用命令完全指南
- 共创智慧灯杆数据运营公司——抢占5G市场
- 中山农情统计分析系统项目实施与管理策略
- XX省中小学智慧校园建设实施方案
- 中山农情统计分析系统项目实施方案
- MATLAB函数详解:从Text到Size的实用指南
- 考虑速度与加速度限制的工业机器人轨迹规划与实时补偿算法
- Matlab进行统计回归分析:从单因素到双因素方差分析
- 智慧灯杆数据运营公司策划书:抢占5G市场,打造智慧城市新载体
- Photoshop基础与色彩知识:信息时代的PS认证考试全攻略
- Photoshop技能测试:核心概念与操作
- Photoshop试题与答案详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)