论文-基于神经网络预测红外图像景物深度分析

[34]，是它的很关键的一个指标，任何没有良好泛化能力的神经网络都是没有意义的。4.3基于BP神经网络的红外图像深度估计在图像处理的过程中，大部分的工作重点可能在于处理图像中所有的像素点以及所对应的像素点信息，这个工作所涉及的数据量十分巨大。而对于图像的深度估计工作，从第二章所得到的特征向量与样本的深度值之间，可能存在的是关系是一个很大的非线性的映射，所以采用一种非线性的拟合方式，往往比线性拟合，具有更好的输出效果。但是在实际工作中，筛选一种最合适的非线性拟合函数比较困难，所以现在的目标就是寻求一种在训练线性拟合函数的同时，也具备非线性学习能力的方法，因此就产生了引入神经网络到图像处理的工作中的设想。相对于其他的计算方式，神经网络的独立计算能力有它独有的优势：神经网络具有大规模的并行分布式结构，同时由于这种结构，神经网络产生了比较强大的泛化能力，也就是说它存在一定的学习能力。而这，也正是能够采用人工神经网络来进行机器人学习，实行监督学习的预测方法的理论来源。在神经网络当中，BP神经网络模型的算法较为简洁，同时，其基础功能的强大也是很多学者看重这种模型的原因，所以BP神经网络算法在当前的应用也比较广泛。在这个前提下，我们这里提出一种基于简单BP神经网络模型所拓展出的红外图像景物深度估计的算法。4.3.1神经网络的训练BP神经网络如果需要具备良好的学习能力和泛化能力，首先需要通过训练使网络具有联想记忆和预测能力。其训练过程可以包括以下几个步骤：（1）根据样本训练集的输入输出序列分别确定网络输入层、隐含层和输出层的节点数，并初始化连接输入层、隐含层和输出层神经元之间的权值和，给定学习速率和神经元激励函数。（2）计算隐含层的输出H：（4-4）式中为隐含层节点数，为各隐含层节点的阈值，为隐含层激励函数。（3）计算预测输出O：（4-5）式中为输出层节点数，为各输出层节点的阈值。（4）根据预测输出和期望输出计算误差e，并根据计算误差e更新网络连接权值,和各节点的阈值a,b:（4-6）（4-7）（4-8）（4-9）式中为输入层节点数，为学习速率。（5）循环步骤2到步骤4，直到算法迭代结束。将算法运用到相应的神经网络模型中进行运算，下图4-4就是该算法的流程图：构建的深度模型，如图所示，深度训练集以上部分是红外图像的预处理过程，将预处理获得的图片数据矩阵输入到神经网络的输入输出端进行训练学习。经过一段时间，获得具有泛化能力的神经网络模型，之后将需要进行深度图预测的图，数据处理后，放入到神经网络中预测泛化，可以将所求数据，经过处理形成一个合适的矩阵数据，重建恢复，最终获得我们想要的深度图。图4-4BP神经网络算法流程图4.3.2实验过程与结果在这里，我们首先对样本集的输入（已知红外图像）进行预处理：将样本像素点数设为N，一般地，由于RGB彩色图像的储存原理，我们得到的红外图片也常常为的大小。将之处理成纯灰度图片，则其转化成单层数据，之后利用“劳斯掩膜”将其进行处理，转化成矩阵可处理的double型数据，提取我们需要的20维特征向量数据，如图4-5所示：图4-5提取出的20维特征向量将数据另存为Input1.mat，作为训练神经网络模型的输入量。对样本集特征深度图作处理，RGB转化为纯灰度图后，将uint8型数据转化为double型，则矩阵内参数均转换成0至1之间的数据，之后重新组合成1维向量，如图4-6，记为Output1.mat，作为训练神经网络模型的输出量。图4-6深度图处理后的1维向量之后构建深度训练集，在神经网络中，以Input1.mat为输入,以Output1.mat为输出，进行训练。BP神经网络的隐含层节点数对它的预测精度有较大的影响：节点数太少，网络欠学习，训练精度降低；节点数太多，造成训练时间增加，造成过拟合。这里我们选择的隐层设置为nHidden=[40105]，即这个三层神经网络，进入输入层之后，第一个隐层存在40个神经元节点，第二个隐层为10个节点，第三个隐层为5个节点，之后进入输出层。经过计算机的训练演算，该模型能形成一个具有一定“泛化”能力的神经网络。之后的深度图的实现，就是通过对该神经网络模型的“泛化”能力进行运用而达到实验目的的。在进行下一步实验前，首先对所得到的神经网络的性能进行：对样本进行实验，将样本的Input1.mat矩阵放入神经网络模型进行实验预测，得到结果如图4-7，4-8，4-9：图4-7样本集红外图像图4-8样本集特征深度图图4-9经神经网络预测的样本对样本集特征深度图数据矩阵，提取位于中间部分的400个数据，为了进行对比，从神经网络预测样本矩阵的相同位置同样提取400个数据，结果如图4-10：图4-10样本数据和预测数据对比图从上图所示结果，我们发现，神经网络模型的预测在数据的总体趋势还是近似，其泛化能力还是相当不错的。之后我们利用神经网络进行预测，此时，选择一张图片，通过“劳斯掩码”的程序，也将之转化成的的20维向量矩阵数据，输入神经网络进行预测，得到1维的深度特征信息，按照输入图的像素点分布情况，经过处理后最终可以还原成为我们所需要的特征深度图。结果如下：（b）图4-11（a）测试红外图像，（b）BP神经网络模型的深度估计预测结果在本实验中，在确定上述隐层节点[40105]设置是否合理，为了确定实验内容的优良性，我还对该神经网络模型进行了许多次的尝试性设定，实验结果或好或外，但是从总体结果来说，显然还是上述节点设置较为合理。下面就是我的一部分较差的实验设定的输出结果：下图4-12是原图与隐层节点数设置[40205]的神经网路的输出预测图图4-12原图与隐层节点数设置[40205]的神经网路输出预测图对于隐层设置数为[40205]的神经网络，对于细节点的表现，往往显得比较模糊，而且总体来说，这种设置的情况下，预测输出图显得偏灰，没有比较优良的输出效果，图像没有立体感。下图4-13是原图与隐层节点数设置[405]的神经网络的输出预测图图4-13原图与隐层节点数设置[405]的神经网络的输出预测图对于隐层设置数为[405]的神经网络，由于隐层数目不足，其预测效果更加的不真实，图像发灰发白现象更加严重，甚至对于景物中的汽车和人的轮廓的描述更是不佳，无法显示出原图中的景物信息。虽然没有将所有的实验对照组都展示出来，但是仅仅通过上述三组实验结果的演示，就可以发现，神经网络模型的训练需要比较多的尝试，而这比较优良的设置方案也是我在通过一些文献的学习和多次尝试之后才得到的。神经网络的训练过程可以看成是一个曲线拟合的过程，网络本身可以被简单地认为是一个非线性输入——输出映射，那么由此就可以看出神经网络的泛化其实就是对输入数据进行非线性插值的结果。在实验的结果中可以发现，我们所采用的神经网络模型所具备的泛化特性还是在实验中比较好的体现了出来，并且我们得到的结果还是比较良好的。但是在实验中，训练时间较长，并且神经网络的隐层节点数没有较好的理论可以指导我进行设置，这些方面，之后还有改进的可能性。4.4本章小结本章首先介绍了生物神经元结构并且解释了人工神经元（ANN）网络的原理结构，之后介绍了人工神经元网络的发展历史，对BP神经网络的特点进行了讨论。基于第三章的算法结构和思路，搭建相应的神经网络结构，之后将第二章样本图片预处理结构输入神经网络训练之后进行相应的实验过程。之后就多个神经网络参数设定值进行实验结果的分析讨论，从中找出了结果较为优良的实验组，并且分析总结本次实验的得与失。

5本文总结5.1工作小结这次的毕业设计中，我的主目标是寻找一种合适的方法来进行红外图像的处理。赵老师在这方面给了我很大的帮助，通过对以前的各种方法的学习和回顾，我最终决定采用MATLAB这个功能强大的软件进行我的毕业设计。虽然曾经学习过MATLAB的课程，但是也遗忘了许多，这次的毕业设计的过程，我通过老师的指导，以及查阅相关资料进行自学，不仅回顾了以前课程中的学习过程，还学到了许多不曾学习过的新东西，这对我是一次很好的经历，对我以后工作、学习、生活都有很大的帮助。通过神经网络训练，得到相应的数据处理模型，之后将预处理后得到的数据输入到神经网络后经过神经网络的预测，得到输出的深度图效果良好，实验证明了通过神经网络训练的模型有较好的泛化能力，达到了预期的目的。但是总的来说，实验过程中，由于神经网络模型的构建，数据量很大，计算过程比较长，对于计算机的性能也是一个比较大的考验，希望以后能找到更加好的方式来缩短这个过程。同时在神经网络的隐层安排过程中，就算有先验经验的存在，但这同样也是一个并不容易的过程，希望能在以后有机会，掌握到更好的更好地设计思路。5.2讨论与展望在整个实验过程中，仍然存在有许多不足之处，如对于神经网络的样本处理过于单一，神经网络的训练速度比较慢，并且神经网络训练的模型虽然有较好的泛化能力，但对于一小部分图像的输出效果并不是很理想。原因在于对原始数据的处理方面，劳斯掩膜虽然具有较好的效果，但是还有可以改进的地方。在神经网络方面，程序部分方面也可以改进很多，我的知识面仍然不足，我觉得以后如果有机会学习到更加良好的模型，这方面的效果肯定会有显著的提升，并且能有不错的预测效果。相信经过这次毕业设计的学习过程，我对于以后的工作学习生活过程中，不管是否还能用到这些知识，但是它们带给我的收获，等多的是对于学习态度的一种提升，我会在以后更加关注这方面的知识。

参考文献张敬贤，李玉丹，金伟其.微光与红外成像技术[M].北京：北京理工大学出版社，1994纪红.红外技术基础与应用[M].北京：科学出版社，1979张鸣平.红外技术物理基础[C]，哈尔滨：中国人民解放军炮兵工程学院，1962李俊山，杨威，张雄美.红外图像处理、分析与融合[M].北京：科学出版社，2009邢素霞.红外热成像与信号处理[M].北京：国防工业出版社，2010田国良，热红外遥感[M].电子工业出版社.2006.7倪爱伟.基于双目立体视觉的三维重建技术研究[D].南京航空航天大学.2009.邹宁.深度图像分析方法研究[D].华中理工大学.2000Mohan,S,Automated3dmodelingandrenderingfromsingleviewimages,Proceedings-InternationalConferenceonComputationalIntelligenceandMultimediaApplications[J],2007(4):476-480马祥音，查红彬.基于单幅图像的深度非连续性估计，计算机应用[J].2010.30(12):43-46D.Scharstein,R.Szeliski.Ataxonomyandevaluationofdensetwo-framestereocorrespondencealgorithms.Int’lJournalofComputerVision[J],2002.(47):7–42.李涛，单目视图与多目视图的深度图恢复方法研究[D].，清华大学工学硕士学位论文，2009.6Barnard,S.T.andMartin.AFischlerComputationalStereo.ACMComputingSurveys[J],1982.14(4):553-572Dhond,U.R.andJ.K.Aggarwal.StructurefromStereoAReview.IEEETransactionsonSystemsManandCybernetics[J],1989.19(6):1489-1510MyronZ,BrownDarius,BurschkaandG.D.Hager.AdvancesinComputationalStereo,IEEETransactionsonPatternAnalysisandMachineIntelligence[J],2003.25(8):993-1008Horn,B.K.B.Obtainingshapefromshadinginformation,ThePsychologyofComputerVision.NewYork:McGrawHill[J].1975:115-155Saxena,A,Chung,H&Ng.A.Learningdepthfromsinglemonocularimages[D].InNIPS,2006,18HoiemD,Efros,a.a,&HebertM.AutomaticPhotopop-up,InACMSIGGRAPH[J],2005.24(3):577-584WeiQ.Converting2Dto3D:asurvey[C]ProceedingsofInternationalConference.Netherlands:DelftUniversityofTechnology,2005,7:14ZhangL,VazquezC,KnorrS.3D-TVcontentcreation:automatic2D-to-3Dvideoconversion[J].IEEETransactionson,Broadcasting,2011,57(2):372-383.[DOI:10.1109/TBC.2011.2122930]CaoX,BovikAC,WangY,etal.Converting2Dvideoto3D:anefficientpathto3Dexperience[J].MultiMedia,IEEE,2011,18(4):12-17.[DOI:10.1109/MMUL.2011.65]AkiyukiAnzai,

GregoryCDeAngelis.Neuralcomputationsunderlyingdepthperception,CurrentOpinioninNeurobiology,2010.20(3):367-375ByronBoots,InferringDepthfromSingleImagesinNaturalScenes,DepartmentofComputerScience古小婧，基于图像分析的自然彩色夜视成像方法研究[D]，2011.9赵信宇，朱晓蕊，余锦全.单幅图像深度信息的提取[J]，制造业自动化，2010.32(3):15-17E.R.Davies.Laws’textureenergyinTEXTURE[M].InMachineVision:Theory,Algorithms,Practicalities2ndEdition.AcademicPress,SanDiego,1997李乐，张茂军，熊志辉，徐玮.基于内容理解的单幅静态街景图像深度估计[J]，机器人，2011.33(1):174-180高隽.人工神经网络原理及仿真实例[D].北京：机械工业出版社，2003.7李爱军.前亏神经网络工作机理分析与学习算法[D].北京交通大学，2005赵贵玉.多层前向网络泛化能力研究与应用[D].中国人民解放军信息工程大学，2006魏海坤.神经网络结构设计的理论与方法[D].北京：国防工业出版社，2005.2BartlettPL.ForValidGeneralization,theSizeoftheWeightIsMoreImportantThantheSizeoftheNetwork[C]//ProcofAdvanceinNeuraInformationProcessingSystem.9.Cambridge:MItPress,1995;134-140魏海坤,徐嗣鑫，宋文忠.神经网络的泛化理论和泛化方法[J].自动化学报，2001,27（6）；806-813MATLAB中文论坛.MATLAB神经网络30个案例分析[A].北京：北京航空航天大学出版社，2010

致谢大学四年的生活在我眼前走过，犹如白驹过隙，是如此的短暂，但却给我留下了最美好的回忆。不管是学习，还是生活，大学的四年在我的人生中都是不可磨灭的印记，我绝不会忘了关心我的老师，还有同学。值此毕业论文完成之际，我首先要对我的导师赵海涛老师表示我最衷心的感谢。在我的学习过程中，不管我是多么的痴笨，赵老师都不曾对我发过脾气。也正是在他的悉心指导下，我才能完成我的毕业设计，完成我的毕业论文。赵老师严谨的工作态度和优秀的教学能力，都给我留下了很深的影响。还有他对学生的关心和无穷的耐心，更是我能够坚持下来的最大原因。赵老师重复强调的就是我们希望我们提高自我学习能力，之后这样在毕业以后的工作生活中才能不断进步，做到活到老学到老，而他自身，也是这么做的。赵老师的许多品质，都是我所应该学习的，也会让我的一生都受用不尽。在课题的研究过程中，江晓栋学长对我的帮助也是巨大的。多次的交流，让我对自己的毕业设计有了更深的理解。对于一些不懂的部分，江学长总能以最耐心的态度帮助我，让我能更快地融入其中。感谢我的父母家人，他们的支持也是必不可少的。感谢一起进行毕业设计的同学，他们对我的支持也很多。还感谢身边每一位朋友对我生活学习的帮助。最后我也想参与论文答辩和评审的老师表示衷心的感谢，感谢你们腾出一定的时间关心到我在大学的最后一段学习时间的成果。基于C8051F单片机直流电动机反馈控制系统的设计与研究基于单片机的嵌入式Web服务器的研究MOTOROLA单片机MC68HC（8）05PV8/A内嵌EEPROM的工艺和制程方法及对良率的影响研究基于模糊控制的电阻钎焊单片机温度控制系统的研制基于MCS-51系列单片机的通用控制模块的研究基于单片机实现的供暖系统最佳启停自校正（STR）调节器单片机控制的二级倒立摆系统的研究基于增强型51系列单片机的TCP/IP协议栈的实现基于单片机的蓄电池自动监测系统基于32位嵌入式单片机系统的图像采集与处理技术的研究基于单片机的作物营养诊断专家系统的研究基于单片机的交流伺服电机运动控制系统研究与开发基于单片机的泵管内壁硬度测试仪的研制基于单片机的自动找平控制系统研究基于C8051F040单片机的嵌入式系统开发基于单片机的液压动力系统状态监测仪开发模糊Smith智能控制方法的研究及其单片机实现一种基于单片机的轴快流CO〈,2〉激光器的手持控制面板的研制基于双单片机冲床数控系统的研究基于CYGNAL单片机的在线间歇式浊度仪的研制基于单片机的喷油泵试验台控制器的研制基于单片机的软起动器的研究和设计基于单片机控制的高速快走丝电火花线切割机床短循环走丝方式研究基于单片机的机电产品控制系统开发基于PIC单片机的智能手机充电器基于单片机的实时内核设计及其应用研究基于单片机的远程抄表系统的设计与研究基于单片机的烟气二氧化硫浓度检测仪的研制基于微型光谱仪的单片机系统单片机系统软件构件开发的技术研究基于单片机的液体点滴速度自动检测仪的研制基于单片机系统的多功能温度测量仪的研制基于PIC单片机的电能采集终端的设计和应用基于单片机的光纤光栅解调仪的研制气压式线性摩擦焊机单片机控制系统的研制基于单片机的数字磁通门传感器基于单片机的旋转变压器-数字转换器的研究基于单片机的光纤Bragg光栅解调系统的研究单片机控制的便携式多功能乳腺治疗仪的研制基于C8051F020单片机的多生理信号检测仪基于单片机的电机运动控制系统设计Pico专用单片机核的可测性设计研究基于MCS-51单片机的热量计基于双单片机的智能遥测微型气象站MCS-51单片机构建机器人的实践研究基于单片机的轮轨力检测基于单片机的GPS定位仪的研究与实现基于单片机的电液伺服控制系统用于单片机系统的MMC卡文件系统研制基于单片机的时控和计数系统性能优化的研究基于单片机和CPLD的粗光栅位移测量系统研究单片机控制的后备式方波UPS提升高职学生单片机应用能力的探究基于单片机控制的自动低频减载装置研究基于单片机控制的水下焊接电源的研究基于单片机的多通道数据采集系统基于uPSD3234单片机的氚表面污染测量仪的研制基于单片机的红外测油仪的研究96系列单片机仿真器研究与设计基于单片机的单晶金刚石刀具刃磨设备的数控改造基于单片机的温度智能控制系统的设计与实现基于MSP430单片机的电梯门机控制器的研制基于单片机的气体测漏仪的研究基于三菱M16C/6N系列单片机的CAN/USB协议转换器基于单片机和DSP的变压器油色谱在线监测技术研究基于单片机的膛壁温度报警系统设计基于AVR单片机的低压无功补偿控制器的设计基于单片机船舶电力推进电机监测系统基于单片机网络的振动信号的采集系统基于单片机的大容量数据存储技术的应用研究基于单片机的叠图机研究与教学方法实践基于单片机嵌入式Web服务器技术的研究及实现基于AT89S52单片机的通用数据采集系统基于单片机的多道脉冲幅度分析仪研究机器人旋转电弧传感角焊缝跟踪单片机控制系统基于单片机的控制系统在PLC虚拟教学实验中的应用研究基于单片机系统的网络通信研究与应用基于PIC16F877单片机的莫尔斯码自动译码系统设计与研究基于单片机的模糊控制器在工业电阻炉上的应用研究基于双单片机冲床数控系统的研究与开发基于Cygnal单片机的μC/OS-Ⅱ的研究基于单片机的一体化智能差示扫描量热仪系统研究基于TCP/IP协议的单片机与Internet互联的研究与实现变频调速液压电梯单片机控制器的研究基于单片机γ-免疫计数器自动换样功能的研究与实现基于单片机的倒立摆控制系统设计与实现单片机嵌入式以太网防盗报警系统基于51单片机的嵌入式Internet系统的设计与实现单片机监测系统在挤压机上的应用MSP430单片机在智能水表系统上的研究与应用基于单片机的嵌入式系统中TCP/IP协议栈的实现与应用单片机在高楼恒压供水系统中的应用基于ATmega16单片机的流量控制器的开发HYPER