偏振光图像处理方法、系统、计算机设备以及存储介质

1.本发明属于偏振光图像处理技术领域，特别涉及一种偏振光图像处理方法、系统、计算机设备以及存储介质。


背景技术：

2.传统stokes参量法解算二维偏振图像的方式如图1所示，其具体过程如下：先利用stokes矢量[i,q,u,v]及mueller矩阵构成的入射光和出射光关系式，通过多幅不同偏振方向的光强度图像，经过线性变换后逆向求解每个像素点对应入射光的stokes矢量s
in
。其中，v表示右旋圆偏振光强与左旋圆偏振光强之差，工程实际中，v一般按0计算，解得入射光的stokes矢量后，根据偏振光stokes矢量与偏振角、偏振度的数学关系，求解入射光的偏振角和偏振度，由于其中含有arctan、开方运算，为计算引入了非线性，增加了计算复杂度。若单个像素点对应的运算中线性运算的运算量为o，非线性运算耗时为a*o（非线性运算的运算量一般大于线性运算，故a》1），由于图像的偏振处理需要遍历每一个像素点，故对于一张m*n的图像进行上述运算，时间会额外增加m*n*a*o，且图像越大，非线性运算所需运算量越大，进而导致偏振图像目标识别效率比较低，无法保证偏振图像目标识别的实时性。


技术实现要素：

[0003]
本发明的目的在于提出一种偏振光图像的处理方法，以解决现有偏振图像融合及神经网络识别中由于非线性运算导致偏振光图像处理过程中运算量增加的技术问题，从而提高偏振图像目标识别方法的效率，进而提升偏振图像目标识别的实时性。
[0004]
本发明为了实现上述目的，采用如下技术方案：一种偏振光图像的处理方法，包括如下步骤：步骤1. 首先对偏振光强度图像训练集中每一组偏振光强度图像进行stokes矢量解算，得到stokes矢量图，将stokes矢量图结合相应的标签数据组成stokes矢量数据集；步骤2. 针对stokes矢量数据集中每张stokes矢量图，通过传统偏振光融合解算方式解算出偏振图像数据集，偏振图像数据集中每组偏振图像包括偏振角图像和偏振度图像；步骤3. 根据步骤1中得到的stokes矢量图和步骤2中得到的偏振图像计算量化参数，其中，量化参数包括斜率参数a、c和偏置参数b、d；步骤4. 将步骤1得到的stokes矢量数据集，结合步骤3中的量化参数a、b、c、d，根据线性映射偏振解算算法解算得到线性映射偏振图像数据集；线性映射偏振图像数据集中每一组线性映射偏振图像包括线性映射偏振角图像和线性映射偏振度图像；步骤5. 使用步骤2获得的偏振图像数据集进行偏振识别网络模型训练，得到传统偏振图像识别模型；步骤6. 将步骤4获得的线性映射偏振图像数据集，结合步骤5中的传统偏振图像识别模型进行迁移学习，获得线性映射偏振图像识别模型；
步骤7. 利用步骤6获得的线性映射偏振图像识别模型对偏振光相机采集到的待识别图像进行偏振图像识别，得到偏振图像识别结果。
[0005]
此外，在上述偏振光图像处理方法的基础上，本发明还提出了一种与之相适应的偏振光图像处理系统，该偏振光图像处理系统采用如下技术方案：一种偏振光图像处理系统，包括：stokes矢量解算模块，用于对偏振光强度图像训练集中的每一组偏振光强度图像进行stokes矢量解算，得到对应的stokes矢量图；将stokes矢量图结合相应的标签数据组成stokes矢量数据集；传统偏振光融合解算模块，用于针对stokes矢量数据集中每张stokes矢量图，通过传统偏振光融合解算方式解算出偏振图像数据集；其中，偏振图像数据集中每组偏振图像包括偏振角图像和偏振度图像；量化参数计算模块，用于根据得到的stokes矢量图和得到的偏振图像计算量化参数，其中，量化参数包括斜率参数a、c和偏置参数b、d；线性映射偏振解算模块，用于将得到的stokes矢量数据集，结合量化参数a、b、c、d，根据线性映射偏振解算算法解算得到线性映射偏振图像数据集；其中，线性映射偏振图像数据集中每一组线性映射偏振图像包括线性映射偏振角图像和线性映射偏振度图像；偏振识别网络模块，用于根据获得的偏振图像数据集进行偏振识别网络模型训练，得到传统偏振图像识别模型；迁移学习模块，用于根据获得的线性映射偏振图像数据集，结合传统偏振图像识别模型进行迁移学习，获得线性映射偏振图像识别模型；以及偏振图像识别模块，利用获得的线性映射偏振图像识别模型对偏振光相机采集到的待识别图像进行偏振图像识别，得到偏振图像识别结果。
[0006]
此外，在上述偏振光图像处理方法的基础上，本发明还提出了一种计算机设备，该计算机设备包括存储器和一个或多个处理器。所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述偏振光图像处理方法的步骤。
[0007]
此外，在上述偏振光图像处理方法的基础上，本发明还提出了一种计算机可读存储介质，其上存储有程序。该程序被处理器执行时，用于实现上述偏振光图像处理方法的步骤。
[0008]
本发明具有如下优点：如上所述，本发明述及了一种偏振光图像的处理方法，该方法将现有偏振图像融合中的非线性运算采用线性运算替代，并通过迁移学习将非线性运算融入到神经网络中，成功地缩减了运算量，使得偏振图像目标识别算法更加高效，提升了偏振图像目标识别技术的实时性。通过简化计算内容，使得本发明更易于在fpga等嵌入式系统领域实现，使得偏振光目标识别技术可以更好地应用于低功耗设备、可穿戴设备等方面。本发明显著提高了运算的实时性，对于实时偏振光隐蔽目标识别在防爆反恐等领域的应用以及偏振光导航在组合导航等方面具有积极作用。
附图说明
[0009]
图1为传统stokes参量法解算二维偏振图像的示意图。
[0010]
图2为本发明实施例中偏振光图像的处理方法的流程图。
具体实施方式
[0011]
下面结合附图以及具体实施方式对本发明作进一步详细说明：实施例1如图2所示，本实施例1述及了一种偏振光图像的处理方法，该方法基于stokes参量法偏振解算图像及神经网络结合的隐蔽目标识别，其具体包括如下步骤：步骤1. 首先对偏振光强度图像训练集中的每组偏振光强度图像进行stokes矢量解算，得到对应的stokes矢量图，将stokes矢量图结合相应的标签数据组成stokes矢量数据集。
[0012]
由用户提供多个偏振光相机拍摄的不同偏振角的偏振光强度图像，并结合每组偏振光强度图像中物体的标签信息，构成偏振光强度图像训练集。
[0013]
根据stokes矢量[i,q,u,v]及mueller矩阵构成的入射光和出射光关系式（1），遍历对偏振光强度图像训练集中每一组同一物体不同角度偏振光强度图像，根据其偏振角度推算出偏振光强度图像入射光stokes矢量的四个参数i、q、u、v和stokes矢量的四个参数i
´
、q
´
、u
´
、v
´
之间的关系式，并将此组图像联合解算得到公式（2）。
[0014]
（1）其中，s
in
表示入射光的stokes矢量，s
out
表示出射光的stokes矢量。
[0015]mθ
表示特定角度θ的偏振片所对应的muller矩阵；mueller矩阵描述了入射偏振光通过特定角度θ的偏振片后的偏振状态的变化。
[0016]
i表示入射光的总强度，q为入射光的水平与垂直方向之间的偏振差异，u为入射光的+45
°
和-45
°
方向之间的偏振差异，v表示入射光的左旋和右旋圆偏振之间的差异。
[0017]i´
表示出射光的总强度，q
´
为出射光的水平与垂直方向之间的偏振差异，u
´
为出射光的+45
°
和-45
°
方向之间的偏振差异，v
´
表示出射光的左旋和右旋圆偏振之间的差异。
[0018]
根据该组同一物体不同角度偏振光强度图像不同偏振角度θ但同一位置的像素点对应的光强值in´
，逆向解算出此像素点对应的入射光stokes矢量s
in
。
[0019]
其中入射光stokes矢量s
in
的逆向求解表达式用式（2）表示。
[0020]
该公式（2）表由公式（1）推导得出，工程实践中入射光参数v按照0计算。
[0021]
ꢀꢀꢀ
（2）
其中，i1´
、i2´
、i3´
分别表示该位置像素点在第一个偏振角θ1图像中测得的光强度、在第二个偏振角θ2图像中测得的光强度、在第三个偏振角θ3图像中测得的光强度。
[0022]
针对每组偏振光强度图像，根据公式（1）和公式（2）解算出同一物体不同角度偏振光强度图像的stokes矢量图像，结合该组偏振光强度图像的标签数据，共同构成stokes数据集。
[0023]
步骤2. 针对stokes矢量数据集中每张stokes矢量图，通过传统偏振光融合解算方式解算出偏振图像数据集，其中每组偏振图像包括偏振角图像和偏振度图像。
[0024]
针对stokes矢量数据集中的每一张图像，遍历每一个像素点，根据stokes矢量与偏振角aop和偏振度dop的计算关系式（3）和式（4），计算出对应像素的aop和dop值。
[0025]
ꢀꢀ
（3）
ꢀꢀꢀꢀ
（4）根据公式（3）和（4）得到的aop和dop值生成新的偏振角图像和偏振度图像，然后将偏振角图像和偏振度图像与每组偏振图像对应的标签共同构成偏振图像数据集。
[0026]
步骤3. 根据步骤1中得到的stokes矢量图和步骤2中得到的偏振图像计算量化参数，其中，量化参数包括斜率参数a、c和偏置参数b、d。
[0027]
其中，斜率参数a、c用来表述线性映射函数的斜率。
[0028]
偏置参数b、d用来表示该偏振映射函数的偏置。
[0029]
步骤3.1. 遍历偏振图像数据集中每一组偏振角图像和偏振度图像，针对每一个像素点求解整个偏振图像数据集所有像素点的数值最大值aop
max
、dop
max
、数值最小值aop
min
、dop
min
。
[0030]
其中，aop
max
表示偏振角最大值，dop
max
表示偏振度最大值。
[0031]
aop
min
表示偏振角最小值，dop
min
表示偏振度最小值。
[0032]
步骤3.2. 找到aop
max
、dop
max
以及aop
min
、dop
min
四个数值所对应的像素点在stokes矢量图像数据集中的对应像素点，并求解四个像素点的算式结果，分别记为：、、、。
[0033]
步骤3.3. 利用步骤3.1和3.2中的数据求解量化参数a、b、c、d，量化参数a、b、c、d的求解过程分别如公式（5）至公式（8）所示。
[0034]
ꢀꢀꢀ
（5）
ꢀꢀꢀꢀꢀ
（6）
ꢀꢀ
（7）
ꢀꢀ
（8）。
[0035]
步骤4. 将步骤1得到的stokes矢量数据集，结合步骤3中的量化参数，根据线性映射偏振解算算法分别解算出线性映射偏振角图像和线性映射偏振度图像数据集。
[0036]
其中每一组线性映射偏振图像包括线性映射偏振角图像和线性映射偏振度图像。
[0037]
通过针对stokes矢量数据集中的每一张图像，遍历每一个像素点，根据公式（9）至公式（10），计算出对应像素的线性映射偏振角lqaop值和线性映射偏振度lqdop值。
[0038]
ꢀꢀ
（9）（10）其中，lqaop表示经过线性映射运算后偏振角的中间解，lqaop通过非线性变换解得偏振角；lqdop表示经过线性映射运算后偏振度的中间解，lqdop通过非线性变换解得偏振度。
[0039]
步骤5. 使用偏振图像数据集对偏振识别网络模型训练，得到传统偏振图像识别模型。
[0040]
本实施例中偏振识别网络模型采用yolo v5模型。
[0041]
步骤6. 将步骤4获得的线性映射偏振图像数据集，结合步骤5中的传统偏振图像识别模型，进行迁移学习，最终生成线性映射偏振图像识别模型。
[0042]
具体的，迁移学习是对步骤5中获得的传统偏振图像识别模型，输入线性映射偏振图像数据集再次训练，使传统偏振图像识别模型进一步学习获得线性映射偏振图像识别能力。
[0043]
通过迁移学习，使传统偏振图像识别模型可以快速获得线性映射偏振图像识别能力。
[0044]
步骤7. 利用步骤6获得的线性映射偏振图像识别模型对偏振光相机采集到的待识别图像进行偏振图像识别。
[0045]
步骤7.1. 首先利用步骤1对待识别图像进行stokes矢量解算，然后利用步骤4对stokes矢量计算后的结果进一步进行线性映射偏振解算；步骤7.2. 利用步骤6得到的线性映射偏振图像识别模型，对经过步骤4线性映射偏振解算后得出的线性映射偏振图像，进行相应的图像识别，获得图像识别结果。
[0046]
本发明通过优化网络模型训练过程，在不改变网络结构的基础上将偏振图像部分非线性处理融入到神经网络中，精简了神经网络识别的运算量，提高了偏振光目标识别效率。
[0047]
实施例2
本实施例2述及了一种偏振光图像处理系统，该系统与上述实施例1述及的偏振光图像处理方法基于相同发明构思。具体的，偏振光图像处理系统，包括：stokes矢量解算模块，用于对偏振光强度图像训练集中的每一组偏振光强度图像进行stokes矢量解算，得到对应的stokes矢量图；将stokes矢量图结合相应的标签数据组成stokes矢量数据集；传统偏振光融合解算模块，用于针对stokes矢量数据集中每张stokes矢量图，通过传统偏振光融合解算方式解算出偏振图像数据集；其中，偏振图像数据集中每组偏振图像包括偏振角图像和偏振度图像；量化参数计算模块，用于根据得到的stokes矢量图和得到的偏振图像计算量化参数，其中，量化参数包括斜率参数a、c和偏置参数b、d；线性映射偏振解算模块，用于将得到的stokes矢量数据集，结合量化参数a、b、c、d，根据线性映射偏振解算算法解算得到线性映射偏振图像数据集；其中，线性映射偏振图像数据集中每一组线性映射偏振图像包括线性映射偏振角图像和线性映射偏振度图像；偏振识别网络模块，用于根据获得的偏振图像数据集进行偏振识别网络模型训练，得到传统偏振图像识别模型；迁移学习模块，用于根据获得的线性映射偏振图像数据集，结合传统偏振图像识别模型进行迁移学习，获得线性映射偏振图像识别模型；以及偏振图像识别模块，利用获得的线性映射偏振图像识别模型对偏振光相机采集到的待识别图像进行偏振图像识别，得到偏振图像识别结果。
[0048]
需要说明的是，偏振光图像处理系统中，各个功能模块的功能和作用的实现过程具体详见上述实施例1中方法中对应步骤的实现过程，在此不再赘述。
[0049]
实施例3本实施例3述及了一种计算机设备，该计算机设备用于实现上述实施例1中述及的偏振光图像处理方法。
[0050]
具体的，该计算机设备包括存储器和一个或多个处理器。在存储器中存储有可执行代码，当处理器执行可执行代码时，用于实现上述偏振光图像处理方法的步骤。
[0051]
本实施例中计算机设备为任意具备数据数据处理能力的设备或装置，此处不再赘述。
[0052]
实施例4本实施例4述及了一种计算机可读存储介质，该计算机可读存储介质用于实现上述实施例1中述及的偏振光图像处理方法。
[0053]
具体的，本实施例4中的计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述偏振光图像处理方法的步骤。
[0054]
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元，例如硬盘或内存，也可以是任意具备数据处理能力的设备的外部存储设备，例如设备上配备的插接式硬盘、智能存储卡（smart media card，smc）、sd卡、闪存卡（flash card）等。
[0055]
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应
当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

技术特征：
1.一种偏振光图像的处理方法，其特征在于，包括如下步骤：步骤1. 首先对偏振光强度图像训练集中每一组偏振光强度图像进行stokes矢量解算，得到stokes矢量图，将stokes矢量图结合相应的标签数据组成stokes矢量数据集；步骤2. 针对stokes矢量数据集中每张stokes矢量图，通过传统偏振光融合解算方式解算出偏振图像数据集，偏振图像数据集中每组偏振图像包括偏振角图像和偏振度图像；步骤3. 根据步骤1中得到的stokes矢量图和步骤2中得到的偏振图像计算量化参数；其中，量化参数包括斜率参数a、c和偏置参数b、d；步骤4. 将步骤1得到的stokes矢量数据集，结合步骤3中的量化参数a、b、c、d，根据线性映射偏振解算算法解算得到线性映射偏振图像数据集；线性映射偏振图像数据集中每一组线性映射偏振图像包括线性映射偏振角图像和线性映射偏振度图像；步骤5. 使用偏振图像数据集对偏振识别网络模型训练，得到传统偏振图像识别模型；步骤6. 将步骤4获得的线性映射偏振图像数据集，结合步骤5中的传统偏振图像识别模型进行迁移学习，从而获得线性映射偏振图像识别模型；步骤7. 利用步骤6获得的线性映射偏振图像识别模型，对偏振光相机采集到的待识别图像进行偏振图像识别，得到偏振图像识别结果。2.根据权利要求1所述的偏振光图像的处理方法，其特征在于，所述步骤1具体为：由多个偏振光相机拍摄的不同偏振角的偏振光强度图像，并结合每组偏振光强度图像中物体的标签信息，构成偏振光强度图像训练集；根据stokes矢量[i,q,u,v]及mueller矩阵构成的入射光和出射光关系式（1），遍历偏振光强度图像训练集中每一组同一物体不同角度偏振光强度图像，根据偏振角度推算出偏振光强度图像入射光stokes矢量的四个参数i、q、u、v和出射光stokes矢量的四个参数i
´
、q
´
、u
´
、v
´
之间的关系式，并联合解算得到公式（2）；
ꢀꢀ
（1）其中，s
in
表示入射光的stokes矢量，s
out
表示出射光的stokes矢量；m
θ
表示特定角度θ的偏振片所对应的muller矩阵；i表示入射光的总强度，q为入射光的水平与垂直方向之间的偏振差异，u为入射光的+45
°
和-45
°
方向之间的偏振差异，v表示入射光的左旋和右旋圆偏振之间的差异；i
´
表示出射光的总强度，q
´
为出射光的水平与垂直方向之间的偏振差异，u
´
为出射光的+45
°
和-45
°
方向之间的偏振差异，v
´
表示出射光的左旋和右旋圆偏振之间的差异；根据同一物体不同角度偏振光强度图像在不同偏振角度但同一位置像素点对应的光强值i
n
´
，逆向解算出该位置像素点对应的入射光stokes矢量s
in
；入射光stokes矢量s
in
的逆向求解表达式用式（2）表示，入射光参数v按照0计算；
ꢀꢀ
（2）其中，i1´
、i2´
、i3´
分别表示该位置像素点在第一个偏振角θ1图像中测得的光强度、在第二个偏振角θ2图像中测得的光强度、在第三个偏振角θ3图像中测得的光强度；针对每组偏振光强度图像，根据公式（1）和公式（2）解算出同一物体不同角度偏振光强度图像的stokes矢量图像，结合该组偏振光强度图像的标签数据，共同构成stokes数据集。3.根据权利要求1所述的偏振光图像的处理方法，其特征在于，所述步骤2具体为：针对stokes矢量数据集中的每张stokes矢量图，遍历每一个像素点，根据stokes矢量与偏振角aop和偏振度dop的计算关系式（3）和式（4），计算出对应像素的aop和dop值；
ꢀꢀ
（3）
ꢀꢀꢀ
（4）其中，i表示入射光的总强度，q为入射光的水平与垂直方向之间的偏振差异，u为入射光的+45
°
和-45
°
方向之间的偏振差异，v表示入射光的左旋和右旋圆偏振之间的差异；根据公式（3）和（4）得到的aop和dop值生成新的偏振角图像和偏振度图像，然后将偏振角图像和偏振度图像与每组偏振光强度图像对应的标签数据共同构成偏振图像数据集。4.根据权利要求1所述的偏振光图像的处理方法，其特征在于，所述步骤3具体为：步骤3.1. 遍历偏振图像数据集中每一组偏振角图像和偏振度图像，针对每一个像素点求解整个偏振图像数据集所有像素点的数值最大值aop
max
、dop
max
、数值最小值aop
min
、dop
min
；其中，aop
max
表示偏振角最大值，dop
max
表示偏振度最大值；aop
min
表示偏振角最小值，dop
min
表示偏振度最小值；步骤3.2. 找到aop
max
、dop
max
以及aop
min
、dop
min
四个数值所对应的像素点在stokes矢量图像数据集中的对应像素点，并求解四个像素点的算式结果，分别记为：、、、；其中，i表示入射光的总强度，q为入射光的水平与垂直方向之间的偏振差异，u为入射光的+45
°
和-45
°
方向之间的偏振差异，v表示入射光的左旋和右旋圆偏振之间的差异；步骤3.3. 利用步骤3.1和3.2中的数据求解量化参数a、b、c、d，量化参数a、b、c、d的求解过程分别如公式（5）至公式（8）所示；
ꢀꢀꢀ
（5）
ꢀꢀꢀ
（6）
ꢀꢀ
（7）
ꢀꢀ
（8）。5.根据权利要求1所述的偏振光图像的处理方法，其特征在于，所述步骤4具体为：通过针对stokes矢量数据集中的每一张图像，遍历每一个像素点，根据公式（9）至公式（10），计算出对应像素的线性映射偏振角lqaop值和线性映射偏振度lqdop值；
ꢀꢀ
（9）（10）其中，i表示光的总强度，q为水平与垂直方向之间的偏振差异，u为+45
°
和-45
°
方向之间的偏振差异，v表示左旋和右旋圆偏振之间的差异；lqaop表示经过线性映射运算后偏振角的中间解，lqaop通过非线性变换解得偏振角；lqdop表示经过线性映射运算后偏振度的中间解，lqdop通过非线性变换解得偏振度。6.根据权利要求1所述的偏振光图像的处理方法，其特征在于，所述步骤7具体为：步骤7.1. 首先利用步骤1对待识别图像进行stokes矢量解算，然后利用步骤4对stokes矢量计算后的结果进一步进行线性映射偏振解算；步骤7.2. 利用步骤6得到的线性映射偏振图像识别模型，对经过步骤4线性映射偏振解算后得出的线性映射偏振图像，进行相应的图像识别，获得图像识别结果。7.一种偏振光图像处理系统，其特征在于，包括：stokes矢量解算模块，用于对偏振光强度图像训练集中的每组偏振光强度图像进行stokes矢量解算，得到对应的stokes矢量图；将stokes矢量图结合相应的标签数据组成stokes矢量数据集；传统偏振光融合解算模块，用于针对stokes矢量数据集中每张stokes矢量图，通过传统偏振光融合解算方式解算出偏振图像数据集；其中，偏振图像数据集中每组偏振图像包括偏振角图像和偏振度图像；量化参数计算模块，用于根据得到的stokes矢量图和得到的偏振图像计算量化参数，其中，量化参数包括斜率参数a、c和偏置参数b、d；
线性映射偏振解算模块，用于将得到的stokes矢量数据集，结合量化参数a、b、c、d，根据线性映射偏振解算算法解算得到线性映射偏振图像数据集；其中，线性映射偏振图像数据集中每一组线性映射偏振图像包括线性映射偏振角图像和线性映射偏振度图像；偏振识别网络模块，用于根据获得的偏振图像数据集进行偏振识别网络模型训练，得到传统偏振图像识别模型；迁移学习模块，用于根据获得的线性映射偏振图像数据集，结合传统偏振图像识别模型进行迁移学习，获得线性映射偏振图像识别模型；以及偏振图像识别模块，利用获得的线性映射偏振图像识别模型对偏振光相机采集到的待识别图像进行偏振图像识别，得到偏振图像识别结果。8.一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1至6任一项所述的偏振光图像处理方法的步骤。9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，实现如权利要求1至6任一项所述的偏振光图像处理方法的步骤。

技术总结
本发明属于偏振光图像处理技术领域，具体公开了一种偏振光图像处理方法、系统、计算机设备以及存储介质。本发明将现有偏振图像融合中的非线性运算采用线性运算替代，并通过迁移学习将非线性运算融入到神经网络中，成功地缩减了运算量，使得偏振图像目标识别算法更加高效，提升了偏振图像目标识别技术的实时性。通过简化计算内容，使得本发明更易于在FPGA等嵌入式系统领域实现，使得偏振光目标识别技术可以更好地应用于低功耗设备、可穿戴设备等方面。本发明显著提高了运算的实时性，对于实时偏振光隐蔽目标识别在防爆反恐等领域的应用以及偏振光导航在组合导航等方面具有积极作用。用。用。


技术研发人员：陆翔 吕新政 孙红雨 郭银景 张荣良 孔芳 温安昊 刘增浩 马宁 张帆 王昊 王渌平
受保护的技术使用者：山东科技大学
技术研发日：2023.07.21
技术公布日：2023/8/24