[发明专利]小型光电多种三维物体实时识别系统

说明书

本发明属于三维物体实时识别系统，特别涉及一种小型光电多种三维物体实时识别系统。

目前多种三维物体的实时自动识别在工业自动化和国防等方面有着重要而广泛的应用。但是，由于物体在空间旋转的识别不变性，容错性和要求实时完成等困难，制约了该技术的发展。特别是多种三维目标的分类识别，由于计算量极大，很难达到实时识别的要求，成为迄今仍未解决的一个难题。在众多的识别方法中，神经网络由于其具有学习与适应能力、并行性、容错性等优点是一个用于三维物体不变性识别的较好的方法。神经网络作为一种特殊的映射工具，它将不同的模式映射到特征空间的不同区域，从而达到分类的目的。实现神经网络的方法主要有软件模拟实现和硬件实现，软件模拟属于计算机全串行处理，当神经网络规模很大时由于众所周知的“瓶颈问题”制约了其运行速度而难以达到实时识别的要求；硬件实现包括电子技术、光学技术和光电混合技术。电子技术存在复杂互连的布线困难，而光学技术存在实现非线性操作和相减的困难。

本发明的目的是提供一种小型光电多种三维物体实时识别系统，为了克服以上的缺点，将光学技术和电子技术结合起来取长补短，采用光电混合技术实现了基于神经网络的多目标识别，克服现有技术的缺点和不足。

本发明的目的是这样实现的：

一种小型光电多种三维物体实时识别系统，其特征为：利用光电混合技术及多层级联神经网络方法实现多个三维物体进行实时综合畸变不变性识别；其识别原理是基于神经网络的映射聚类编码及模糊识别方法，选择异联想网络Hetero-Associative作为第一级网络，实现对输入物体的不变性编码，将一物体的不同输入信号，具有面内外旋转，平移，尺度等变化的二维投影图像，映射编码为同一个码，每个物体对应一个码；利用选择具有极大存储容量和容错能力的WTA，胜者全取：Winner Take All，作为第二级网络，进行输入信号映射码的容错联想识别，由计算机输出直观的识别结果。

在实际操作中，利用电荷耦合器件CCD₁，对多个三维物体所在的场景进行实时采集，利用计算机进行目标分割，定位及图像二值化，得到神经网络所需的输入信号，由计算机将输入信号和通过网络训练得到的连接权重到光电系统中，利用液晶显示器和小透镜阵列实现加权求和，再利用另一个CCD₂进行光电信号转换，然后在计算机中进行非线性取阈得到输入物体的映射码，并利用模糊神经网络方法进行分类给出识别结果。

本发明的优点是：

相对其他的识别系统，小型光电多种三维物体实时识别系统具有以下的特点：

(1)  结构小巧简单，体积只有600×240×150mm；

(2)  识别目标类别多、识别率高达98％；

(3)  可离台工作；

(4)  实时识别。

下面结合附图说明实施例：

图1是小型光电多种三维物体实时识别系统结构示意图

图2是小型光电多种三维物体实时识别系统光学处理器结构示意图

小型光电多种三维物体实时识别系统，利用光电混合技术及多层级联神经网络方法实现了多个三维物体进行实时综合畸变不变性识别。其识别原理是基于神经网络的映射聚类编码及模糊识别方法，我们选择异联想网络(Hetero-Associative)作为第一级网络，实现对输入物体的不变性编码，将一物体的不同输入信号(具有面内外旋转，平移，尺度等变化的二维投影图像)映射编码为同一个码，每个物体对应一个码；利用选择具有极大存储容量和容错能力的WTA(胜者全取：Winner Take All)作为第二级网络，进行输入信号映射码的容错联想识别，由计算机输出直观的识别结果。

在实际操作时(参见图1)，利用电荷耦合器件CCD₁，对多个三维物体所在的场景进行实时采集，利用计算机进行目标分割，定位及图像二值化，得到神经网络所需的输入信号，由计算机将输入信号和通过网络训练得到的连接权重到光电系统中(参见图2)，利用液晶显示器和小透镜阵列实现加权求和，再利用另一个CCD₂进行光电信号转换，然后在计算机中进行非线性取阈得到输入物体的映射码，并利用模糊神经网络方法进行分类给出识别结果。

本系统的整体装置如图1所示(其云台部分视具体的识别目标而定，图中为模拟的飞机停机坪)；光学处理器的结构见图2。

本技术包括图象的采集、定位、分割和二值化预处理；神经网络算法；光学处理器的设计；及系统的整体机械结构。

应用实例：