类型a：

基于CNN解码方案的移动光学相机通信系统研究

一、研究团队与发表信息
本研究的通讯作者为湖南大学计算机科学与电子工程学院的Jing He（邮箱：jhe@hnu.edu.cn），合作作者包括Ke Yu和Zheng Huang。研究成果以论文形式发表于《Applied Optics》第59卷第23期（2020年8月10日），标题为《Decoding scheme based on CNN for mobile optical camera communication》。论文于2020年4月23日收稿，经修订后于同年8月10日正式发表。

二、学术背景与研究目标
随着移动数据流量激增，传统射频（RF）通信面临频谱资源短缺问题。可见光通信（VLC, Visible Light Communication）利用发光二极管（LED）作为发射器，兼具照明与通信功能，具有抗电磁干扰、低功耗和高频谱效率等优势。光学相机通信（OCC, Optical Camera Communication）基于智能手机等移动设备的CMOS（互补金属氧化物半导体）摄像头，通过滚动快门效应（rolling-shutter effect）捕获光暗条纹图像以传输数据。然而，移动场景下相机与光源的相对运动会导致图像条纹变形，传统固定间隔采样方法会因采样偏移（sampling offset）增加误码率（BER, Bit Error Rate）。

本研究旨在提出一种基于卷积神经网络（CNN, Convolutional Neural Network）的解码方案，以解决移动OCC系统中的条纹失真问题，降低误码率。研究团队构建了可控横向和纵向移动平台，模拟不同速度（40–80 cm/s）的移动场景，验证CNN方案的有效性。

三、研究流程与方法
1. CNN结构设计
- 输入为28×28×1的灰度图像，包含两个卷积层（C1、C2）和两个池化层（P1、P2）。
- 卷积核尺寸为5×5，数量分别为5和10，生成特征图（feature map）后通过ReLU激活函数和最大池化（max pooling）降维。
- 全连接层（F1）将特征映射至输出层（3个节点），对应3类子图像分类（含2比特、6比特或其他）。
- 训练采用Softmax分类器和随机梯度下降法（SGDM）。

1. 数据解码流程

   • 图像预处理：从视频中提取帧，转换为灰度图像后，通过动态列矩阵选择法（dynamic column matrix selection）选取高消光比区域。
     
   • 子图像分割：根据逻辑边界将图像分割为包含光暗条纹的子图像，分类为2比特、6比特或其他（如“011”“001”或“0011”）。
     
   • CNN识别：仅“其他”类子图像输入CNN识别，通过训练好的模型直接输出比特流，避免传统采样偏移问题。
     

2. 实验平台搭建

   • 硬件配置：使用FPGA（Xilinx Spartan 6系列）驱动白色LED（Cree XLamp XR-E），iPhone 6s摄像头记录视频（帧率30 fps，分辨率1080×1920）。
     
   • 移动场景模拟：
     
     • 横向移动：相机在±15 cm范围内移动，速度40–80 cm/s。
       
     • 纵向移动：相机距离LED 45–105 cm，相同速度范围。
       
   • 训练数据：从60 cm/s移动速度的视频中提取每类200张子图像训练CNN模型。
     

四、研究结果
1. 误码率性能
- 传统固定采样方案在移动场景下BER高达0.5，无法可靠通信；基于长度估计（LE, Length Estimation）的采样方案BER仍较高（约0.27–0.29）。
- 提出的CNN方案显著降低BER：
- 横向移动：80 cm/s时BER为3.8×10⁻⁵。
- 纵向移动：80 cm/s时BER为1×10⁻⁵，优于横向场景（因光源中心固定）。

1. CNN识别准确率
   
   • 横向移动场景下准确率>99.99%，纵向移动在60 cm/s时最低（99.98%），因条纹变形严重导致分类错误。
     

五、结论与价值
本研究首次将CNN应用于移动OCC系统的解码过程，通过直接识别子图像规避采样偏移问题，显著提升了移动场景下的通信可靠性。实验证明，在80 cm/s高速移动下，CNN方案可实现10⁻⁵量级的低误码率，为未来移动光通信提供了新思路。

六、研究亮点
1. 创新性方法：首次将CNN引入OCC解码，解决了传统方法在移动场景中的采样偏移局限。
2. 实验设计严谨：构建可控多向移动平台，覆盖横向和纵向运动，验证方案的普适性。
3. 工程应用价值：为智能手机等移动设备的实时光通信提供了可行方案，支持高动态环境下的稳定传输。

七、其他价值
研究得到中国国家自然科学基金（61775054）和湖南省科技项目（2016GK2011）支持，未声明利益冲突。论文引用多项前沿工作（如动态列选择、长度估计采样等），体现了对领域技术脉络的深入把握。