基于深度學(xué)習(xí)的弱特征視感知算法研究及應(yīng)用.pdf

1、隨著人工智能的不斷發(fā)展，計算機視覺感知技術(shù)已成為重要的研究課題之一。面對圖像數(shù)據(jù)的急劇增長，如何有效的針對不同背景與環(huán)境進行目標特征感知，已成為計算機視覺領(lǐng)域中研究熱點。目標特征感知被普遍應(yīng)用于檢測、識別與分割等視覺任務(wù)，其任務(wù)完成的效果則嚴重受制于特征的表征能力。特別是對于外界環(huán)境弱化目標特征、目標與背景存在相似元素、目標存在遮擋的情形下，由于目標特征的弱化，其還原目標信息能力顯著下降，致使提取的特征無法完備表征目標。因此，本文為解決

2、弱特征視感知問題，結(jié)合深度學(xué)習(xí)機制分別針對弱特征三種形式提出了相應(yīng)解決方法。本文主要從以下三方面展開?：
　　1)針對有霧圖像中霧氣對場景特征信息弱化問題，本文提出了一種基于生成對抗映射網(wǎng)絡(luò)的特征感知增強算法。首先，對圖像提取霧氣相關(guān)特征；其次，運用訓(xùn)練得到的生成網(wǎng)絡(luò)實現(xiàn)初始提取特征到透視率間的轉(zhuǎn)換；最后，依照所提多光源散射模型進行去霧還原。所提算法實驗結(jié)果與現(xiàn)有去霧算法相比，其去霧效果更加符合真實場景色彩，并可保存更多細節(jié)，干擾

3、引入較少。
　　2)針對圖像中背景元素與目標相似造成檢測特征弱化的問題，本文提出了一種基于RPN(Region Proposal Network)的偽裝色目標特征感知檢測算法。首先，對圖像進行顏色增強處理，實現(xiàn)目標與背景元素的差異拉伸；其次，對差異放大的目標進行檢測；最終運用Faster R-CNN(Faster Region Convolutional Neural Network)檢測增強后目標。所提算法與現(xiàn)有目標檢測算法相比

4、，其檢測結(jié)果準確度更高，并且可以更加有效的識別出干擾背景中的目標，減少漏檢測現(xiàn)象。
　　3)針對圖像中目標受到遮擋造成檢測特征缺失的問題，本文提出了一種基于協(xié)同感知深度神經(jīng)網(wǎng)絡(luò)的遮擋目標檢測算法。首先，運用Faster R-CNN對圖像中目標中母體與子體進行檢測；其次，對子體檢測得到的候選區(qū)域進行非極大值抑制(Non-maximum Suppression，NMS)處理；最后，利用母體子體協(xié)同融合，實現(xiàn)子體對母體檢測結(jié)果的修正。所