英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

应用计算机系统

ISSN 2255-8691（在线）

ISSN 2255-8683（print）

2017年12月，第一卷。 22，第28-35页doi：10.1515 / acss-2017-0015HTTPS：//www.degruyter.com/view/j/acss

使用不同性质的传感器的目标识别

Anete Vagale¹，AgrisŅikitenko²，Eduards Slava³OttarL. Osen⁴

1–3里加技术大学，拉脱维亚

4挪威科技大学，挪威

摘要 - 在本文中，提出了一种新的改进的视觉传感器数据融合方法，使用可见光和远红外光传感器。此外，勒克斯仪表数据用于识别目标类别的信念的决策级融合。包含4个环境光照条件图像的数据库使用Canon和FLIR相机创建。

已开发的方法已经使用数据库图像，神经网络训练和分类进行了测试，特别是对于低光照条件。通过实际实施和测试所提出的方法证明了目标识别精度的增强。

关键词 - 高光谱传感器数据处理，各种光照条件下的目标识别，传感器数据融合，目标识别。

1. 介绍

为了识别视觉对象，可以使用不同类型的传感器。最常用的视觉传感器是可见光和红外（IR）光传感器，因为它们的经济性和易用性。尽管如此，即使这些视觉传感器也无法在环境条件下工作，例如缺乏可见光或太低/高温[1]。根据应用领域的不同，错误的目标识别可能会产生负面影响。解决这个问题的办法可能是使用不同性质的传感器组合。

本文的其余部分安排如下。第二部分介绍了目标识别任务，对视觉传感器，传感器数据融合技术和相关研究进行了回顾。在第三节中，描述了目标视觉识别的建议方法。第四节描述了所提议的方法的实际实施和测试。结论在文章的最后给出。

1. 目标识别传感器

在图像分析中，对象可以分为目标对象和背景。检测目标的存在并不难，但确定目标更具挑战性[2]。

1. 目标识别的定义

自动目标识别（ATR）是算法或设备根据从传感器获得的数据来识别目标或对象的能力[3]。

在某些应用中使用ATR的优点是消除了人类对目标识别的支持。使用人类的主要缺点是反应时间慢，并且依赖于环境光线条件，尽管它们擅长一些目标识别任务。 ATR系统的体系结构可以分为三个高级功能块：a）数据采集，b）信号处理和c）目标识别和跟踪[4]。ATR算法最初处理图像，然后检测目标对象，执行分割，计算特征，执行选择和分类，优先权，执行跟踪和选择目标点[3]。ATR在移动机器人视觉系统或军事目标识别系统中的功能需要实时使用，并且要适应动态情况。

两种可能的错误检测情况是失明（假阴性）和鬼物体检测（假阳性）。在这些情况下，移动机器人轨迹的成本会增加，碰撞可能发生，或者在军事领域中，对手可能对系统不可见。

1. 目标识别中传感器的多样性

通常用于目标识别的视觉传感器使用来自目标物体的发射光和反射光。图像处理算法和视觉传感器组成了一个计算机视觉系统。

视觉系统中使用的视觉传感器可以分为4个主要群体，基于他们从环境中感知的电磁频谱的面积：a）红外（IR）光传感器，b）可见光传感器，c）紫外（UV）光传感器以及d）多光谱和高光谱传感器。

1. 红外光传感器

在ISO 20473：2007 [5]标准中，IR光谱的波长被分成三个子类别：

• • 波长为0.75-3.00mu;m的近红外;
  • 具有3-50mu;m波长的中红外;
  • 远红外波长为50-1000微米。

中红外和远红外光谱传感器被称为感知来自环境的热辐射的热光谱传感器。使用IR光谱中的传感器进行视觉目标识别的主要优点是可见光条件的独立性 - 即使在人类视觉范围之外的完全黑暗中，也可以“看到”目标。

1. 可见光传感器

可见光传感器是最常用的视觉传感器，可以感知波长为380-750nm的电磁波。这些传感器数据代表目标的颜色参数。这些传感器的缺点是依赖于可见光条件，它们不能在完全黑暗中使用[6]。

copy;2017 Anete Vagale，AgrisŅikitenko，Eduards Slava，Ottar L. Osen。

28

这是一个开放获取的文章，根据知识共享署名许可证授权

（http://creativecommons.org/licenses/by/4.0），按照De Gruyter BOrpoeung同意的方式进行。

1. UV光传感器

根据ISO-21348标准的UV光谱波长为10-400nm [5]。 在这种情况下，UV传感器输出图像提供了有关物体表面细节的更多信息，这些细节并非如此敏感的信息。出于这个原因，该技术在目标识别方面不适用。

1. 多光谱和高光谱传感器

两个传感器都能感知多个窄谱。高光谱成像（HSI）数据存储为3D数据。这两种传感器都可能包含从紫外到红外光谱的光谱。与多光谱传感器相比，高光谱传感器感知更多但更窄的光谱。这些传感器的优势在于细节层次高; 然而，缺点是传感器感知的大量关于环境的数据。

1. 视觉传感器技术及其可能的组合

使用前面提到的视觉传感器可以采用多种视觉传感器技术及其组合。最常用的技术是飞行时间（ToF）相机和光检测和测距（LiDAR）[7]。两种技术都采用有源传感器来检测发射信号的反射时间。从而获得所谓的点云，为观察者提供附加信息 - 深度，这使得人们能够分析三维空间[8]。

1. 视觉传感器网络

视觉传感器网络（VSN）由多个摄像机节点组成，其主要优点是系统的冗余。VSN还具有低成本和广泛的应用领域[9]。VSN的主要缺点是相对较高的能耗率，以执行所有任务 - 图像感知，处理和数据传输。

1. 传感器数据融合

当在一个通用系统中使用多个传感器时，主要工作与传感器系统提供的数据融合有关[10]。不仅可以融合多个视觉传感器图像，还可以同时结合视觉和非视觉传感器数据。

视觉传感器的数据融合可以发生在三个抽象层次之一[11] - 像素，特征和决策融合。在像素级融合中，两个图像的像素以一定概率融合。对于特征级融合，首先提取图像特征，然后以某种概率融合。在决策级融合中，首先对图像中的对象进行分类，然后对决策进行融合。

为了选择合适的视觉传感器组合用于传感器数据融合，必须考虑以下标准（表I）。

表I显示了可见光相机在轮廓的低成本和高清晰度水平方面可用。传感器的特定组合取决于应用环境的具体情况以及必须通过其他优点补偿特定传感器的缺点。

表一

视觉传感器比较的不同标准

1. 相关研究

用于目标视觉识别的最常用的传感器组合如下。

1. 传感器组合的现有技术

视觉传感器通常结合不同的距离测量传感器。在[12]中，移动式行李托运机器人使用一个多方位摄像头，它可以获得360ordm;视场的图像以及激光测距仪。这项技术的缺点是只有在良好的光照条件下才能正常工作。

在[13]中，使用可见光照相机和声纳的微型飞行器视觉系统用于导航目的和视觉目标跟踪。

在[11]中的行人分类任务是使用可见光和远红外光照相机进行的。该技术在不同的光照和天气条件下提供了良好的精度，并且比较了三种传感器数据融合提取水平的结果。

约翰迪尔Gator移动机器人的路径和障碍物检测系统[14]由一个单目摄像机和2D激光器组成。这个项目的缺点是机器人只有在以前已知的路径上移动时才有效。

在[15]中使用由可见光照相机和2D LIDAR传感器组成的系统，以获得用于物体检测和障碍物轨迹识别的环境数据。开发的项目可用于停车辅助或碰撞预警系统。

在[16]中，作者通过将远红外光照相机Jenoptik IR-TCM 640与深度感应相机Microsoft Kinect相结合，创建了一个自动3D热模型表示系统。在这种情况下，关于物体的热量信息与空间信息结合在一起。

在[17]中描述的立体视觉系统包括IR光和可见光相机。 该系统的应用领域是用于检测不锈钢板变形的核电站。

总而言之，基于单独的传感器和整个系统的优点和缺点，不同类型的传感器组合被用于特定的应用。在经过审查的技术中，最常用的视觉传感器是可见光相机，因为它提供了很高的详细程度。第二种最常用的传感器是不同光谱的红外传感器，因为它们提供了环境的扩展数据。

1. 获取不确定性评估

在结合多个视觉传感器的计算机视觉系统中，有必要关注不同的视觉传感器数据融合技术。文献[11]关注使用不确定性估计的决策抽象层融合。

数据的不确定性可以用多种方式来定义。该论文[18]回顾了最常用的方法：

• 1. 贝叶斯概率论;
  2. Dempster-Shafer理论（DST），也被称为

信仰功能理论。

贝叶斯理论使用“概率”概念作为强烈定义的数字，它决定了如果实验重复多次，事件发生的频率。DST的信仰价值代表了解释，在某种信念下，陈述可能是真实的。 在这种情况下，信念是主观的，这就是为什么有必要找到一种方法来自动获得信念值，而模型仍然是数学上简单的。

在多项研究中，DST用于传感器数据融合。在开始时，有必要获得目标类在图像中被识别的事实的信念值[18]。 在[19]中，作者分析了DST及其缺点。DST的第一个缺点是信念建模问题，即确定如何创建概率分配函数。有一些具体的应用方法，但是没有一般方法可以使用，不管考虑到什么问题。第二个重要问题是确定，应该使用哪种方法来结合信念值。

综上所述，DST适用于信念值获取，因为在这种情况下，贝叶斯概率理论一般不会表征数据的不确定性。

1. 不确定性估计的融合

可以使用不同的融合规则来执行决策级别的数据融合。 其中一个常用规则是Dempster组合规则（DCR）[19]。

在文献[20]中，作者提出了目标识别方法，使用Dempster信念理论函数算法来融合IR和可见光图像的不确定性。开发的算法由三个阶段组成：

• 1. 确定识别框架（FoD）;
  2. 获得基本概率分配（BPA）值;
  3. 应用DCR。

在第一阶段，应该确定所有作为FoD参数的命题值。 基本信念分配（BBA）值是从命题值中获得的不确定性。 第二阶段是分配基本概率值，其中所有FoD元素的总和应该等于1.第三阶段是应用DCR，其将两个信念值融合到共同的概率估计中。

融合方程（1）[20]用于目标位置检测，但该

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[23017]，资料为PDF文档或Word文档，PDF文档可免费转换为Word