留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

采用KPCA和BP神经网络的单目车载红外图像深度估计

孙韶媛 李琳娜 赵海涛

孙韶媛, 李琳娜, 赵海涛. 采用KPCA和BP神经网络的单目车载红外图像深度估计[J]. 红外与激光工程, 2013, 42(9): 2348-2352.
引用本文: 孙韶媛, 李琳娜, 赵海涛. 采用KPCA和BP神经网络的单目车载红外图像深度估计[J]. 红外与激光工程, 2013, 42(9): 2348-2352.
Sun Shaoyuan, Li Linna, Zhao Haitao. Depth estimation from monocular vehicle infrared images based on KPCA and BP neural network[J]. Infrared and Laser Engineering, 2013, 42(9): 2348-2352.
Citation: Sun Shaoyuan, Li Linna, Zhao Haitao. Depth estimation from monocular vehicle infrared images based on KPCA and BP neural network[J]. Infrared and Laser Engineering, 2013, 42(9): 2348-2352.

采用KPCA和BP神经网络的单目车载红外图像深度估计

基金项目: 

国家自然科学基金(61072090);上海市浦江人才计划(12PJ1402200);中央高校基本科研业务费专项资金(12D10418)

详细信息
    作者简介:

    孙韶媛(1974-),女,副教授,博士,主要从事彩色夜视、信息融合方面的研究。Email:shysun@dhu.edu.cn

  • 中图分类号: TN219

Depth estimation from monocular vehicle infrared images based on KPCA and BP neural network

  • 摘要: 提出一种基于监督学习得到深度估计模型的单目车载红外图像深度估计方法。首先用核主成分分析法(KPCA)筛选红外图像特征。将最初提取的红外图像特征用核函数非线性映射到一个线性可分的高维特征空间,再完成主成分分析(PCA),得到降维后的红外图像特征。然后以BP神经网络为模型基础,对红外图像特征和深度值进行训练,训练后的深度估计模型可对单目车载红外图像的深度分布进行估计。实验结果证明,利用该模型估计的单目车载红外图像的深度信息与原红外图像的深度信息一致。
  • [1] Pentland A P. A new sense for depth of field[J]. IEEE Transactions on PAMI, 1987, 9(4): 523-531.
    [2]
    [3]
    [4] Scharstein D, Szeliski R. A taxonomy and evaluation of dense two-frame stereo correspondence algorithms[J]. International Journal of Computer Vision, 2002, 47(1): 7-42.
    [5]
    [6] Wu Wenji, Xiao Zhaolin, Wang Qing, et al. Depth estimation based on confocal image sequence[J]. Computer Applications and Software, 2012, 29(12): 43-46. (in Chinese) 吴文杰, 肖照林, 王庆, 等. 基于共聚焦图像序列的深度估计方法[J]. 计算机应用与软件, 2012, 29(12): 43-46.
    [7] Horn B K P. Obtaining shape from shading information[C]//The Psychology of Computer Vision. New York: McGraw Hill, 1975: 115-155.
    [8]
    [9] Li Le, Zhang Maojun, Xiong Zhihui, et al. Depth estimation from a single still image of street scene based on content understanding[J]. Robot, 2011, 133(1): 174-180. (in Chinese) 李乐, 张茂军, 熊志辉, 等. 基于内容理解的单幅静态街景图像深度估计[J]. 机器人, 2011, 133(1): 174-180.
    [10]
    [11]
    [12] Ashutosh Saxena,Chung Sung H, Ng Andrew Y. 3-D depth reconstruction from a single still image[J]. International Journal of Computer Vision, 2008, 76(1): 53-69.
    [13]
    [14] Hoiem D, Efros A, Hebert M. Automatic Photo pop-up[J]. ACM Transaction on Graphics, 2005, 24(3): 577-584.
    [15] Bai Junqi, Chen Qian, Wang Xianya, et al. Contrast enhancement algorithm of infrared image based on noise filtering model[J]. Infrared and Laser Engineering, 2010, 39(4): 777-780. (in Chinese) 白俊奇, 陈钱, 王娴雅, 等. 红外图像噪声滤波对比度增强算法[J]. 红外与激光工程, 2010, 39(4): 777-780.
    [16]
    [17] Xi Lin, Sun Shaoyuan, Li Linna, et al. Depth estimation from monocular infrared images based on SVM model[J]. Laser & Infrared, 2012, 42(11): 1311-1315. (in Chinese) 席林, 孙韶媛, 李琳娜, 等. 基于SVM模型的单目红外图像深度估计[J]. 激光与红外, 2012, 42(11): 1311-1315.
    [18]
    [19]
    [20] Gu X J, Leung H, Sun S Y, et al. Colorizing single-band thermal night vision images[C]//Proceedings of IEEE Conference on Image Processing, 2010: 301-304.
    [21] Bernhard S, Alexander S, Klaus-Robert M. Kernel principal component analysis[C]//Artificial Neural Networks-ICANN'97, Lecture Notes in Computer Science, 1997, 1327: 583-588.
    [22]
    [23] Zheng W, Lai J, Yuen P C. Penalized preimage learning in kernel principal component analysis[J]. IEEE Transactions on Neural Networks, 2010, 21(4): 551-570.
    [24]
    [25] Liu Q, Cheng J, Lu H, et al. Distance based kernel PCA image reconstruction[C]//Proceedings of the 17th International Conference on Pattern Recognition, 2004: 670-673.
    [26]
    [27]
    [28] Mika S, Schlkopf B, Smola A, et al. Kernel PCA and denoising in feature spaces[C]//Advances in Neural Information Processing Systems, 1998: 536-542.
    [29] Wong W K, Zhao H. Eyeglasses removal of thermal image based on visible information[J]. Information Fusion, 2013, 14(2): 163-176.
  • [1] 姚姝含, 官莉.  基于星载红外高光谱观测用机器学习算法反演大气温湿廓线 . 红外与激光工程, 2022, 51(8): 20210707-1-20210707-12. doi: 10.3788/IRLA20210707
    [2] 庞忠祥, 刘勰, 刘桂华, 龚泿军, 周晗, 罗洪伟.  并行多特征提取网络的红外图像增强方法 . 红外与激光工程, 2022, 51(8): 20210957-1-20210957-9. doi: 10.3788/IRLA20210957
    [3] 李霖, 王红梅, 李辰凯.  红外与可见光图像深度学习融合方法综述 . 红外与激光工程, 2022, 51(12): 20220125-1-20220125-20. doi: 10.3788/IRLA20220125
    [4] 廖莎莎.  基于筛选深度特征的红外图像目标识别方法 . 红外与激光工程, 2022, 51(5): 20210372-1-20210372-6. doi: 10.3788/IRLA20210372
    [5] 张颖, 李河申, 王昊, 孙军华, 张晞, 刘惠兰, 吕妍红.  基于神经网络的典型地物的偏振多光谱图像分类(特邀) . 红外与激光工程, 2022, 51(6): 20220249-1-20220249-8. doi: 10.3788/IRLA20220249
    [6] 赵璐, 熊森.  多视角红外图像目标识别方法 . 红外与激光工程, 2021, 50(11): 20210206-1-20210206-6. doi: 10.3788/IRLA20210206
    [7] 岳端木, 孙会来, 杨雪, 孙建林.  飞秒激光环切加工不锈钢微孔工艺及其质量控制神经网络模型 . 红外与激光工程, 2021, 50(10): 20200446-1-20200446-10. doi: 10.3788/IRLA20200446
    [8] 何泽阳, 邓慧萍, 向森, 吴谨.  融合一致性与差异性约束的光场深度估计 . 红外与激光工程, 2021, 50(11): 20210021-1-20210021-11. doi: 10.3788/IRLA20210021
    [9] 史国军.  深度特征联合表征的红外图像目标识别方法 . 红外与激光工程, 2021, 50(3): 20200399-1-20200399-6. doi: 10.3788/IRLA20200399
    [10] 范雪霜, 孙强, 吕深圳, 杨建柏, 王健.  人体甲状腺动态红外图像多重分形分析 . 红外与激光工程, 2019, 48(4): 426002-0426002(10). doi: 10.3788/IRLA201948.0426002
    [11] 范晓婷, 李奕, 罗晓维, 张凝, 韩梦芯, 雷建军.  基于光场结构特性与多视点匹配的深度估计 . 红外与激光工程, 2019, 48(5): 524001-0524001(8). doi: 10.3788/IRLA201948.0524001
    [12] 梁欣凯, 宋闯, 赵佳佳.  基于深度学习的序列图像深度估计技术 . 红外与激光工程, 2019, 48(S2): 134-141. doi: 10.3788/IRLA201948.S226002
    [13] 耿磊, 梁晓昱, 肖志涛, 李月龙.  基于多形态红外特征与深度学习的实时驾驶员疲劳检测 . 红外与激光工程, 2018, 47(2): 203009-0203009(9). doi: 10.3788/IRLA201847.0203009
    [14] 赵东波, 李辉.  基于中心矩特征和GA-BP神经网络的雷达目标识别 . 红外与激光工程, 2018, 47(8): 826005-0826005(7). doi: 10.3788/IRLA201847.0826005
    [15] 张宝辉, 闵超波, 窦亮, 张俊举, 常本康.  目标增强的红外与微光图像融合算法 . 红外与激光工程, 2014, 43(7): 2349-2353.
    [16] 张士杰, 李俊山, 杨亚威, 张姣, 李海龙, 郭毅.  湍流退化红外图像校正算法 . 红外与激光工程, 2014, 43(11): 3670-3675.
    [17] 王慧丽, 齐异, 刘焕英.  舰船尾流红外图像边界检测方法 . 红外与激光工程, 2013, 42(2): 524-527.
    [18] 曲仕茹, 杨红红.  采用Kalman_BP神经网络的视频序列多目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2553-2560.
    [19] 赵洪常, 肖光宗, 汪之国, 张斌.  采用BP神经网络的四频激光陀螺零偏的光强补偿方法 . 红外与激光工程, 2013, 42(2): 355-360.
    [20] 许兆美, 刘永志, 杨刚, 王庆安.  粒子群优化BP神经网络的激光铣削质量预测模型 . 红外与激光工程, 2013, 42(9): 2370-2374.
  • 加载中
计量
  • 文章访问数:  366
  • HTML全文浏览量:  53
  • PDF下载量:  283
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-01-11
  • 修回日期:  2013-02-12
  • 刊出日期:  2013-09-25

采用KPCA和BP神经网络的单目车载红外图像深度估计

    作者简介:

    孙韶媛(1974-),女,副教授,博士,主要从事彩色夜视、信息融合方面的研究。Email:shysun@dhu.edu.cn

基金项目:

国家自然科学基金(61072090);上海市浦江人才计划(12PJ1402200);中央高校基本科研业务费专项资金(12D10418)

  • 中图分类号: TN219

摘要: 提出一种基于监督学习得到深度估计模型的单目车载红外图像深度估计方法。首先用核主成分分析法(KPCA)筛选红外图像特征。将最初提取的红外图像特征用核函数非线性映射到一个线性可分的高维特征空间,再完成主成分分析(PCA),得到降维后的红外图像特征。然后以BP神经网络为模型基础,对红外图像特征和深度值进行训练,训练后的深度估计模型可对单目车载红外图像的深度分布进行估计。实验结果证明,利用该模型估计的单目车载红外图像的深度信息与原红外图像的深度信息一致。

English Abstract

参考文献 (29)

目录

    /

    返回文章
    返回