没有合适的资源?快使用搜索试试~ 我知道了~
首页深度学习驱动的非视域成像:突破实时探测挑战
深度学习驱动的非视域成像:突破实时探测挑战
需积分: 0 2 下载量 58 浏览量
更新于2024-06-14
收藏 17.81MB DOCX 举报
"基于深度学习的非视域成像研究是一篇针对复杂光学成像问题的硕士论文,其主要探讨如何利用深度学习技术来解决传统非视域成像(NLOS Imaging)面临的挑战。非视域成像是通过测量光线的反射或散射,从而在视线不可见的情况下获取目标物体的图像,这一技术在安防监控、医疗辅助以及军事侦查等领域具有广阔的应用潜力。 传统的NLOS成像方法通常依赖于复杂的光传输模型,该模型需精确建模从NLOS场景到成像设备的光路,然后通过逆向求解获取图像。然而,这种方法的问题在于其高度依赖于特定场景的特性,缺乏通用性和鲁棒性,且计算过程中的反向求解涉及到高维度数据,导致实时性能受限,无法满足实时探测的需求。 论文作者提出了一种创新的解决方案,即运用深度学习技术,特别是神经网络的强大非线性拟合能力。通过训练深度学习模型,可以从有限的输入数据中自动学习和提取特征,这使得模型能够自适应地处理各种不同的场景,提高了成像的通用性和效率。深度学习的优势在于其能够自动处理大量的数据,并通过端到端的学习避免了繁琐的物理模型建立,从而简化了整个成像过程,为实时NLOS成像提供了一种新的可能。 研究内容主要包括深度学习网络的设计与优化,如卷积神经网络(CNN)、循环神经网络(RNN)或者生成对抗网络(GAN)的运用,以及如何通过大量标注或未标注的数据进行模型训练和验证。此外,论文还可能探讨了模型的泛化能力、稳定性和精度,以及如何在实际应用中提高系统的稳定性和可靠性。 这篇论文旨在推动非视域成像领域的技术革新,通过深度学习实现了从物理模型依赖到数据驱动的转变,有望在未来几年内显著提升非视域成像技术的实际应用效能,特别是在实时监控和遥感领域。"
资源详情
资源推荐
东南大学硕士学位论文
VI
4.3 生成式网络模型结构优化.................................................................................................................48
4.4 优化后网络的训练及测试.................................................................................................................50
4.5 本章小结.............................................................................................................................................51
第五章 用于非视域成像的网络模型性能分析及应用拓展..........................................................................53
5.1 图像质量评价指标.............................................................................................................................53
5.2 网络模型性能对比.............................................................................................................................55
5.2.1 环境光照明场景成像性能对比..............................................................................................55
5.2.2 无环境光场景成像性能对比..................................................................................................56
5.3 基于优化后网络模型的拓展实验.....................................................................................................58
5.4 本章小结.............................................................................................................................................59
第六章 总结与展望..........................................................................................................................................61
6.1 总结.....................................................................................................................................................61
6.2 展望.....................................................................................................................................................62
参考文献...........................................................................................................................................................63
致谢...................................................................................................................................................................67
作者简介...........................................................................................................................................................69
第一章 绪论
1
第一章 绪论
1.1 非视域成像技术简介
传统的光学成像系统通过物点与像点的一一映射实现对拍摄场景的直接成像。但受限于
成像设备视场角的限制,无法对视野之外的物体进行探测和成像。而随着高灵敏度、高分辨
率的成像设备的问世以及计算成像技术的飞速发展,“看到拐角处物体(Seeing around
Corners)”成为可能,这一技术被称为非视域成像。2008 年,Raskar 等开发了一种概念性的
理论框架,用于使用飞行时间(Time-of-flight, ToF)传感器进行瞬时光传输的多路径分析,
可以对未知 NLOS 场景的属性进行恢复和估计,并提出了非视域成像的概念
[1]
。非视域成像
是一种新型计算成像技术,常见的两种应用场景如图 1-1 所示:由于场景中存在漫反射介质
(如:墙面)或散射介质(如:浓雾)遮挡视线,使得成像设备无法直接拍摄待观测目标物
进行成像。但是目标物经过 NLOS 场景多次反射(或散射)之后的光仍可以被成像设备捕捉
到,这些漫反射光(或散射光)中包含了目标物的部分信息,可以通过特定的算法来恢复其
2D 甚至 3D 图像,或实现对目标物的定位及追踪。由于突破了传统成像方式在视场角方面的
限制,非视域成像技术在救灾抢险、军事反恐、医学成像、辅助驾驶等领域都有着十分广阔
的应用前景
[2]
。
图 1-1 NLOS 成像两种基本场景。(a) 透过散射介质成像;(b) 经过漫反射介质成像
根据系统所使用的成像设备的时间分辨率特性,可将非视域成像分为瞬态光传输成像
(Transient Light Transport Imaging)和稳态光传输成像(Steady-state Light Transport Imaging)
两类
[1]
。以漫反射 NLOS 场景为例,在瞬态成像领域,多使用高频调制激光脉冲作为主动光
源,扫描漫反射中介面上的二维网格区域,并使用具有超高时间分辨率的时间相关传感器,
如条纹相机(Streak Camera)、单光子雪崩二极管(Single Photon Avalanche Diode, SPAD)
等,探测返回激光的飞行时间信息。再利用类似 LiDAR 的光飞行时间测距原理建立光传输
模型,通过最优化算法实现目标物信息的恢复和重建。
而稳态成像多使用传统消费级 CMOS 相机作为成像设备,由于其曝光时间长达毫秒甚
至微秒级别,使用这类相机时可以假设光速无限大,进而忽略反射光在 NLOS 场景中传播的
东南大学硕士学位论文
2
时间,这样传感器的每个像素值就是曝光时间内像素点所接收到的总光亮,相当于在时间维
度的积分
[3]
。稳态成像大大降低了成像系统的硬件成本和模型的复杂度,虽然相较瞬态成像
法损失了时间维度的光传输信息,但使得原本局限于实验室研究的非视域成像技术获得了更
强的实用灵活性。
1.2 非视域成像研究现状
1.2.1 瞬态非视域成像研究现状
早期的非视域成像研究主要集中在瞬态光传输领域,向场景中发射超短激光脉冲,并利
用具有超高时间分辨率的传感器直接捕捉激光脉冲回波,得到与时间相关的瞬态图像。根据
使用的传感器种类不同,瞬态非视域成像主要可分为激光门控、单光子雪崩二极管、条纹相
机、飞行时间相机等
[4-6]
。
1)基于激光门控的瞬态非视域成像
2009 年,夫琅和费光电与模式识别研究所的 Repasi 团队向中介墙面发射中红外激光
(波长 1.5μm),并使用包含 ICCD(Intensified Charge Coupled Device,增强型电荷耦合器件)
相机的时间门控系统捕捉三次反射后透过玻璃窗户返回的激光回波,恢复出街道拐角处目标
的大致图像
[7]
。
图 1-2 (a) Repasi 等使用时间门控系统进行非视域成像实验示意图及相机视角;(b) 恢复的图像:持枪的人(左),车牌(右)
Xu 等基于激光门控成像系统构建了非视域成像的图像对比度模型,分别以玻璃窗户和
瓷砖墙面作为中介面实现了走廊场景的重建
[8]
。Busck 等人则基于激光门控提出了一种计算
深度的加权平均算法,实现了对存在不同位置关系三维场景的复原
[9]
。
Laurenzis 等使用超快激光脉冲(脉冲宽度 15fs)和高速 ICCD 相机,配合滑动传感器门
捕获从目标场景返回的散射光子,从中提取深度信息实现了 100cm 拐角处隐藏物体的三维
重建
[10]
。
第一章 绪论
3
图 1-3 Laurenzis 等基于激光门控成像系统的原理图
2)基于条纹相机的瞬态非视域成像
条纹相机一次成像只能获取包含时间维度和单一空间维度信息的二维图像,需要通过多
次重复测量,获取包含完整空间信息的三维瞬态图像。2012 年 Velten 等使用波长 795nm,
脉冲宽度 50fs 的锁模激光器作为主动光源照射中介墙面上 20cm × 40cm 区域内的 30-60 个位
置,配合时间分辨率为 2ps 的条纹相机来捕捉返回的激光回波,实现了对平面及立体模型的
三维重建
[11, 12]
。
图 1-4 Velten 等非视域成像实验布置:(a) 实验场景示意图;(b) 连续采集的条纹图像;(c) 隐藏三维物体的二维重建图像效
果图
2014 年 Gao 等通过添加微镜器件作为空间编码模块,将一维条纹相机改造成二维超快
成像设备,并构建压缩超快摄影重构算法,实现三维图像的稀疏重构
[13]
;Naik 等和 Raviv 等
则使用条纹相机配合主动激光光源分别实现了毛玻璃后 NLOS 场景的重建和目标物位置的估
计
[14, 15]
。
剩余82页未读,继续阅读
Edwards_Lee
- 粉丝: 1
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 展开
- 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
最新资源
- Ansys Comsol实现力磁耦合仿真及其在电磁无损检测中的应用
- 西门子数控系统调试与配置实战案例教程
- ELM多输出拟合预测模型:简易Matlab实现指南
- 一维光子晶体的Comsol能带拓扑分析研究
- Borland-5技术资料压缩包分享
- Borland 6 技术资料分享包
- UE5压缩包处理技巧与D文件介绍
- 机器学习笔记:深入探讨中心极限定理
- ProE使用技巧及文件管理方法分享
- 增量式百度图片爬虫程序修复版发布
- Emlog屏蔽用户IP黑名单插件:自定义跳转与评论限制
- 安装Prometheus 2.2.1所需镜像及配置指南
- WinRARChan主题包:个性化你的压缩软件
- Neo4j关系数据映射转换测试样例集
- 安装heapster-grafana-amd64-v5-0-4所需镜像介绍
- DVB-C语言深度解析TS流
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
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功