基于卷积神经网络的运动模糊编码点的身份识别方法与流程

技术特征：

1.一种基于卷积神经网络的运动模糊编码点的身份识别方法，其特征在于，具体步骤如下：

步骤一、标定实拍相机，构造虚拟相机编码点，获取大量运动模糊编码点图像-编码点身份样本；

步骤二、构造卷积神经网络MBCNet；

步骤三、将步骤一中得到的运动模糊编码点图像-编码点身份样本的集合对步骤二中的卷积神经网络MBCNet进行训练及测试；

步骤四、对实际拍摄的运动模糊编码标记点图像进行分割，运用训练后的卷积神经网络MBCNet对分割后的子图进行分类，获得对应的编码标记点身份ID。

2.根据权利要求1所述的基于卷积神经网络的运动模糊编码点的身份识别方法，其特征在于，所述的步骤一具体如下：

步骤1.1、对实拍所用相机进行标定，确定相机的内参矩阵K，像平面记做π₁；

步骤1.2、确定在相机坐标系下，被测物体的空间运动区域Ω；

步骤1.3、确定编码标记点的边长l；确定需要使用的编码标记点的序号集合M，准备好相应的编码标记点的图形I_m，其中m∈M；

步骤1.4、构造虚拟场景和虚拟相机：虚拟场景采用虚拟相机的坐标系，虚拟相机的内参矩阵为K；

步骤1.5、虚拟的编码点为一个正方形T(m)，边长为l，正方形正面贴有编码标记点图像I_m，编码标记点的图像I_m恰好填充正方形T(m)；正方形所在平面记做π₀；

步骤1.6、在空间运动区域Ω中选取随机的两个点P₀以及P₁，分别作为编码标记点运动的起点P₀和终点P₁；

步骤1.7、选取两个随机的向量作为起点的方向向量和终点的方向向量

步骤1.8、由P₀，P₁.决定一条三次样条曲线P＝P(t)，t∈[0,1]；

步骤1.9、在参数区间[0,1]上取均匀分割的采样点t_n，其中，n＝0,1,…,N式中，N为静态瞬间的个数；

步骤1.10、计算出t_n时刻正方形四个顶点在空间的齐次坐标，表示为列向量X_i＝P(t_n)+R_nS_i(i＝1,2,3,4)；

步骤1.11、计算出X_i在像平面的投影u_i＝KX_i,i＝1,2,3,4；

步骤1.12、根据S_i和u_i的对应关系计算从π₀到π₁的单应矩阵H_n；

步骤1.13、利用H_n和I_m(m∈M)计算出虚拟相机在t_n时刻的成像结果J_m,n；

步骤1.14、计算模糊图像k＝1,2,...,n-b+1；(B_m,k,m)就是一个运动模糊编码点图像-编码点身份样本；

重复步骤1.6至步骤1.14，获取大量运动模糊编码点图像-编码点身份样本；该样本的集合记做D；

步骤1.15、将样本的集合D随机分割为两个互不相交的子集D₁和D₂，分别用于训练和测试。

3.根据权利要求1所述的基于卷积神经网络的运动模糊编码点的身份识别方法，其特征在于，所述的步骤二中卷积神经网络MBCNet层次结构包括输入层，卷积层、池化层，全连接层，输出层。

4.根据权利要求3所述的基于卷积神经网络的运动模糊编码点的身份识别方法，其特征在于，所述的步骤三为：用子集D₁训练MBCNet，并用D₂进行测试，重复训练；当测试正确率测试数据集的平均损失降到0.05以下训练结束。

5.根据根据权利要求4所述的基于卷积神经网络的运动模糊编码点的身份识别方法，其特征在于，所述的步骤四具体如下：

步骤4.1、根据实拍编码标记点的运动模糊图像，其集合记为C₁；

步骤4.2、对C₁中的图片进行分割，使得分割后的图像区域符合MBCNet的输入，分割以后的图像集合记为C₂；

步骤4.3、对C₂中的图像用MBCNet进行分类，输出的结果就是对应的编码标记点身份ID。