基于仿生视觉芯片的多目标识别系统关键技术的研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 机器视觉系统及其发展瓶颈 | 第8-9页 |
| 1.2 仿生视觉芯片及其视觉系统 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 仿生视觉芯片现状 | 第11-12页 |
| 1.3.2 仿生视觉系统现状 | 第12-14页 |
| 1.4 选题意义 | 第14-15页 |
| 1.5 论文内容安排 | 第15-16页 |
| 第2章 仿生视觉芯片与多目标追踪算法 | 第16-30页 |
| 2.1 仿生视觉芯片分类 | 第16-19页 |
| 2.1.1 动态视觉传感器 | 第16-18页 |
| 2.1.2 动态有源像素视觉传感器 | 第18-19页 |
| 2.2 多目标追踪算法 | 第19-23页 |
| 2.3 活跃值峰值探测器 | 第23-24页 |
| 2.4 实验结果和分析 | 第24-27页 |
| 2.5 本章小结 | 第27-30页 |
| 第3章 多目标识别系统的特征提取方法设计 | 第30-38页 |
| 3.1 事件驱动的卷积层 | 第30-33页 |
| 3.2 基于AER特征的池化层 | 第33-34页 |
| 3.3 实验结果和分析 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第4章 用于AER数据的目标识别算法设计 | 第38-48页 |
| 4.1 神经网络分类算法 | 第38-39页 |
| 4.2 脉冲神经网络 | 第39-42页 |
| 4.2.1 脉冲神经元编码方式 | 第39页 |
| 4.2.2 脉冲神经元模型 | 第39-40页 |
| 4.2.3 学习机制和判决策略 | 第40-42页 |
| 4.3 识别系统GUI初步实现 | 第42-46页 |
| 4.3.1 识别系统设计流程 | 第42-43页 |
| 4.3.2 基于标准数据库的系统性能测试 | 第43-44页 |
| 4.3.3 基于非标准数据库的系统性能测试 | 第44-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第5章 多目标识别系统性能优化设计 | 第48-68页 |
| 5.1 噪声干扰的产生原因及解决办法 | 第48-51页 |
| 5.1.1 仿生视觉芯片噪声及其影响 | 第48-49页 |
| 5.1.2 双权值中心定位算法 | 第49-51页 |
| 5.2 噪声干扰实验结果 | 第51-56页 |
| 5.2.1 噪声干扰下的中心定位效果 | 第51-54页 |
| 5.2.2 噪声干扰下的系统识别率 | 第54-56页 |
| 5.3 多尺度输入问题产生原因和解决方法 | 第56-60页 |
| 5.3.1 多尺度输入问题的原因 | 第56-57页 |
| 5.3.2 事件缩放法 | 第57-58页 |
| 5.3.3 多尺度池化法 | 第58-59页 |
| 5.3.4 特征缩放法 | 第59-60页 |
| 5.4 多尺度输入方法的实验结果 | 第60-66页 |
| 5.4.1 实验设计方法和结果 | 第60-61页 |
| 5.4.2 多尺度池化法的实验结果分析 | 第61-63页 |
| 5.4.3 事件缩放法和特征缩放法的对比分析 | 第63-66页 |
| 5.5 多目标识别系统最终优化结果 | 第66页 |
| 5.6 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 工作总结 | 第68-69页 |
| 6.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 发表论文和参加科研情况说明 | 第76-78页 |
| 致谢 | 第78页 |
