论文部分内容阅读
随着工业自动化水平的提高和计算机视觉的进步,近年来,基于双目视觉的物体识别与定位成为人工智能领域人们研究的一个热门问题。物体识别与定位在众多领域有着广阔的应用前景和非常巨大的应用价值。此项技术可以应用于智能辅助驾驶技术、无人机、工业机器人、服务机器人、军事侦察、仿生机器人和星球探测车等领域。本文采用卷积神经网络和双目视觉相结合的方法实现物体识别与定位,论文将围绕双目视觉原理、物体识别算法、图像特征点匹配算法以及它们的改进算法进行理论研究。 在现有的物体识别与定位技术中物体识别算法采用基于人工设计特征和机器学习相结合的方式,这种方法存在识别物体单一和识别准确率低等缺点,本文提出双目视觉结合卷积神经网络的方法实现物体识别与定位。该方法具有可扩展性,可以根据项目需求训练自己的数据。本文采用SSD和YOLO卷积神经网络模型,SSD网络具有检测帧率高和识别准确度高等优点。YOLO网络不依赖任何深度学习框架,检测帧率可以达到实时,因此,可以很好的迁移到嵌入式平台。实验结果表明,本文设计物体识别与定位系统具有识别精度高、识别物体种类多和物体定位精度高等优点。 在实际应用过程中,双目图像之间不存在旋转和尺度变化。传统的特征点匹配算法采用图像金字塔结构、主方向计算和角点特征检测的方式,因此,算法存在计算量大和微纹理的目标检测特征点过少等问题,针对这些问题,本文提出基于边缘特征点匹配算法C-SURF,根据物体都具有边缘特征的特点,采用Canny边缘检测算法实现特征点提取。根据双目图像之间不存在旋转和尺度变化,改进SURF特征点描述算法提高算法效率。提出了多特征点融合匹配算法(Multi-feature Point Fusion Matching:MPFM),在边缘特征点基础上增加角点特征,使得特征点分布均匀,从而增加目标局部位置信息,改善了特征点分布不均匀的问题。实验结果表明,这两种改进算法很好的改善了微纹理的物体检测特征点过少、算法耗时和目标特征点分布不均等问题。 实验结果表明本文设计物体识别与定位的技术思路是合理可行的,本文设计的物体识别与定位系统具有一定准确性和稳定性,该系统分别在电脑和嵌入平台上编程实现。所提出的双目图像特征点匹配算法,具有一定的理论和应用价值。