论文部分内容阅读
光学识别由于具有高速度、高精度、信息并行处理等优势,在机器视觉、指纹识别、航空航天图像探测等领域应用广泛。作为提升光学识别性能的关键,目前光学相关滤波器的设计算法对较大畸变目标的识别仍然存在性能欠佳、输出相关峰的各项评价指标难以同时达到较高水平、无法识别同时发生多重畸变的目标等问题,严重影响光学相关器的实用性。本文围绕基于深度学习光学相关滤波器性能及实验研究,提出了基于深度学习的光学相关滤波器(Deep Neural NetworksMatched filter,DNN-MF)算法,设计了应用于4f光学相关识别系统的DNN-MF滤波器,同时提高了系统相关识别的输出相关峰值强度(Correlation Peak Intensity,CPI)、峰值相关能量比(Peak to Correlation Energy,PCE)和信噪比(Signal to Noise Ratio,SNR),搭建实验平台验证了设计结果。主要工作如下:(1)将深度学习理论和光学相关器的识别模型相结合,构建了基于深度学习网络4f光学相关识别仿真模型,利用深度学习网络的优化算法对光学相关滤波器进行优化设计,从而提出了基于深度学习的光学相关滤波器(Deep Neural Networks-Matched filter,DNN-MF)算法。(2)将优化设计的DNN-MF光学相关滤波器应用于4f光学相关识别系统并开展理论模拟分析和实验研究验证,获得DNN-MF滤波器的识别性能远高于OTSDF的结果。通过深度学习网络的反向传播优化算法来提升DNN-MF滤波器的对畸变目标的识别性能,提高了系统相关识别的输出相关峰值强度(Correlation Peak Intensity,CPI)、峰值相关能量比(Peak to Correlation Energy,PCE)和信噪比(Signal to Noise Ratio,SNR),模拟仿真分析验证了该优化设计方案的可行性。(3)搭建了4f光学相关器识别的实验光路验证了基于DNN-MF滤波器的光学相关器的识别能力确实比OTSDF滤波器好,实验结果与理论设计结果一致。在空间光调制器(Spatial Light Modulator,SLM)上加载该光学相关滤波器,实现了对待识别目标的畸变识别,进而提升了光学相关器的识别性能,同时也促进了光学相关器实用性发展。本文优化设计的DNN-MF滤波器较OTSDF滤波器在相关峰值强度CPI)、峰值相关能量比(PCE)和信噪比(SNR)整体性能指标均有较大提高,表明基于深度学习的匹配滤波器(DNN-MF)具有比OTSDF滤波器更加优异的对各种畸变目标的识别性能,有利于提高光学相关器系统的识别能力,该基于深度学习光学相关滤波器的优化设计方案可普遍适用于光学相关器系统,对光学模式识别领域的发展和推进光学相关器的实用化有一定的研究意义及应用价值。