论文部分内容阅读
近年来,随着深度学习的迅速发展,图像处理这一研究方向备受关注。目标识别技术是指利用计算机对图像进行处理、分析,将一特殊目标从其他目标中被区分出来的过程。由于遮挡、扭曲、模糊等因素的干扰,使得目标识别的准确率和鲁棒性较差。与传统成像相比,光场包含了在不同位置和不同角度对同一物体进行拍摄的所有图像,即光场所包含的图像信息更广泛,图像质量更高。由此可见,光场可以作为目标的天然特征库。由于光场自身的稀疏性,光场重构大大的提高了光场在实际中的应用。然而,光场有限的可视范围和光场重构时数据量巨大、计算过程复杂等问题极大地影响了光场在目标识别中的准确性和实时性。农业是我国的第一产业,其发展与大众的衣食密不可分。实际的农业场景通常也很复杂,不同的天气、地域、土壤、光照及作物品种都给相关研究带来了巨大挑战。本研究针对光场可视范围有限、光场重构数据量大且可用数据难以获取等问题,利用多智能协作机制对机动目标状态进行有效估计,解决了机动目标丢失的问题。在有遮挡、分辨率低的环境下,图像重构所需要的基础数据并不能完全得到。针对多视角光场重建过程中,捕获数据样本总量大,但可用数据较少的问题,利用生成式对抗网络对目标数据进行生成或增强,解决了样本缺失的问题。针对多视角光场计算复杂的问题,利用迁移强化学习模型,在增加重构样本的基础上减少了重构时间。本文所提方法具体内容如下:(1)提出基于多视角的光场重构方法。该方法首先将光场表示为不同视角下的子光场(即多视角光场),并进行稀疏表示与重构;其次,从多智能体协作角度出发,结合图理论的分布式协同理论,建立区域全覆盖约束下多视角光场之间的协作机制。(2)提出基于GAN的多视角光场重构方法。该方法首先将多智能体协作机制引入光场重构领域,并通过各视角数据融合得出的观测一致性均值有效去除了冗余和高噪声重构样本数据,保证了对机动目标监测的连续性;其次,根据GAN可以生成和增强数据的特点完善了光场重构时所需样本数据,并建立基于GAN的多生成器与多判别器模型来完成对光场的重构。(3)提出基于迁移强化学习的多视角光场重构方法。该方法首先建立相似度量模型,根据相似度阈值选择强化学习或特征迁移学习模型;其次,建立强化学习模型,利用多主体Q学习判断目标域与源域相似的特征集,并将其反馈到源域,增加带标签的样本容量;最后,建立特征迁移学习模型,使用PCA得到源域与目标域最大特征嵌入空间并用于标签数据迁移。(4)在不同场景中分别对提出的光场重构算法进行了目标识别仿真验证,并与现有方法做了对比分析;此外,还根据显著性假设检验验证了本文所提方法的有效性。