無人機(jī)因其體積小、重量輕、易隱蔽、靈活控制等優(yōu)點(diǎn)開始在民用領(lǐng)域得到廣泛應(yīng)用。目前,傳統(tǒng)目標(biāo)檢測與跟蹤技術(shù)無法滿足無人機(jī)平臺(tái)下復(fù)雜動(dòng)態(tài)的視頻目標(biāo)檢測與跟蹤任務(wù)需求。本文以道路車輛為被測對象,利用深度學(xué)習(xí)技術(shù),對無人機(jī)系統(tǒng)下的道路車輛檢測與跟蹤方法進(jìn)行深入研究,論文的主要工作反映如下:（1）基于YOLO（You Only Look Once）網(wǎng)絡(luò)的車輛檢測改進(jìn)方法研究。結(jié)合不同連接方式的特征提取網(wǎng)絡(luò),重構(gòu)了一種基于YOLO的網(wǎng)絡(luò)模型,用于實(shí)時(shí)檢測無人機(jī)航拍圖像下小目標(biāo)的道路車輛。首先,為保留小目標(biāo)在水平方向上的細(xì)粒度特征,通過調(diào)整網(wǎng)格數(shù)量設(shè)置來增加特征圖橫向分辨率。其次,利用K-means聚類方法確定網(wǎng)絡(luò)中Anchor boxes的大小和數(shù)量,用于匹配所需檢測車輛目標(biāo)的尺寸,以便減少計(jì)算復(fù)雜度,提高網(wǎng)絡(luò)預(yù)測能力。然后,針對隨機(jī)初始化網(wǎng)絡(luò)訓(xùn)練慢、難收斂的問題,選取ResNet-v1-50預(yù)訓(xùn)練模型來替換原模型的淺層結(jié)構(gòu)。在網(wǎng)絡(luò)深層結(jié)構(gòu)中,采用不同連接方式的密集拓?fù)浣Y(jié)構(gòu),強(qiáng)化網(wǎng)絡(luò)的小目標(biāo)特征提取能力。此外,為提高網(wǎng)絡(luò)池化效率,采用可學(xué)習(xí)的權(quán)重參數(shù)來平衡最大值池化和平均池化的使用比例。不同天氣、... 

【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

一階檢測方法結(jié)構(gòu)圖

圖 1. 2 二階檢測方法結(jié)構(gòu)圖目標(biāo)檢測方法中具有代表性的是 R-CNN 系列檢測方法。Ross Girshick 等人相]和 Fast R-CNN[12]方法，這兩種方法都是通過選擇性搜索方式（Selective Search標(biāo)檢測的感興趣區(qū)域。在 SS 中，通過從每個(gè)單獨(dú)的像素開始作為一個(gè)組，然紋理并合并兩個(gè)最相近的組。但為了避免單個(gè)區(qū)域吞噬其他區(qū)域，SS 更傾向于進(jìn)行合并，然后繼續(xù)合并區(qū)域直到所有內(nèi)容組合在一起。R-CNN 利用 SS 方法0 個(gè)感興趣區(qū)域框，然后將這些區(qū)域歸一化到固定大小的圖像并單獨(dú)饋送到神于 R-CNN 方法，F(xiàn)ast R-CNN 則采用在整張圖上用特征提取器來提取特征，然將感興趣區(qū)域應(yīng)用在特征圖上，這樣的做法就不需要做重復(fù)的特征提取。此外oling 方式來將這些區(qū)域歸一化到固定大小的圖像。后來，Ross Girshick 等人[13]R-CNN 方法。除了使用內(nèi)嵌的區(qū)域建議網(wǎng)絡(luò)（Region Proposal Network，RPN），用了與 Fast R-CNN 相同的設(shè)計(jì)。RPN 網(wǎng)絡(luò)相對 SS 方法更高效，在每張圖上僅需要 10ms 的時(shí)間。此外，何凱明等人[14]提出的 Mask R-CNN 方法不僅可以，也可以用于圖像目標(biāo)檢測。針對于目標(biāo)檢測，這個(gè)方法的亮點(diǎn)在于對 ROI 進(jìn)。他提出了新的 ROI Align 操作，即加入了雙線性插值的方法來精煉感興趣

（2）目標(biāo)表觀信息變化由于光照強(qiáng)度，拍攝角度等客觀因素存在使得目標(biāo)的表觀信息發(fā)生變化，容易造成跟蹤器發(fā)生誤判情況。（3）目標(biāo)部分遮擋或全遮擋針對視頻序列中的運(yùn)動(dòng)目標(biāo)，容易發(fā)生目標(biāo)部分遮擋或全遮擋情況。對于部分遮擋情況，目標(biāo)信息量的減少容易使得目標(biāo)跟蹤丟失。對于全遮擋情況，短暫的目標(biāo)消失需要跟蹤器具有一定的預(yù)測能力。如果期間目標(biāo)的實(shí)際運(yùn)動(dòng)狀態(tài)發(fā)生變化，極容易產(chǎn)生大偏差的預(yù)測結(jié)果。對于多目標(biāo)跟蹤方法，其根據(jù)跟蹤軌跡的生成順序主要分為在線多目標(biāo)跟蹤算法和離線多目標(biāo)跟蹤算法。在離線多目標(biāo)跟蹤算法[23-25]中，一般在目標(biāo)檢測關(guān)系中構(gòu)建相應(yīng)的圖模型，對于設(shè)計(jì)檢測框之間的匹配性或距離度量是決定圖模型構(gòu)建正確與否的關(guān)鍵。而對于在線多目標(biāo)跟蹤算法[26-28]則是根據(jù)當(dāng)前檢測的結(jié)果，計(jì)算出當(dāng)前檢測框與已有軌跡的匹配度，以確定匹配的正確性。因此，無論是在線多目標(biāo)跟蹤還是離線多目標(biāo)跟蹤，如何學(xué)習(xí)基于檢測結(jié)果的特征計(jì)算匹配的相似度或距離度量都是多目標(biāo)跟蹤方法的重要步驟。本文主要研究深度學(xué)習(xí)方法在目標(biāo)跟蹤領(lǐng)域的應(yīng)用技術(shù)。

【參考文獻(xiàn)】：
期刊論文
[1]基于并行跟蹤檢測框架與深度學(xué)習(xí)的目標(biāo)跟蹤算法[J]. 閆若怡,熊丹,于清華,肖軍浩,盧惠民.  計(jì)算機(jī)應(yīng)用. 2019(02)



本文編號：2981074