發(fā)布時間：2021-04-18 09:43

　　隨著計算機技術和信息技術的不斷發(fā)展,針對高校新生入學軍訓,中小學生升學軍訓或社會實踐,基層部隊和公安的射擊訓練,各種國防教育基地,愛國主義教育場館,軍事訓練及軍事主題娛樂場館等所需要的各種不同場景下的激光模擬射擊打靶系統(tǒng)的需求,設計了基于圖像處理的移動多目標無線激光靶場系統(tǒng)。本文所研究的系統(tǒng)具有成本低、安全、實用等優(yōu)勢,具有很好的應用前景,并滿足射擊的準確性與實時性等需求。本文主要研究內(nèi)容如下:（1）分析了目前激光打靶系統(tǒng)及其相關技術的現(xiàn)狀,結合模擬激光打靶的特點和系統(tǒng)需求設計了系統(tǒng)整體框架,并詳細闡述了系統(tǒng)的各個模塊和移動多目標定位等關鍵技術的思想與工作流程。（2）針對射擊訓練中移動多靶位準確定位的需求,研究了一種基于FAsT-Match算法的多靶位定位方法。該算法能夠適應平移、縮放、旋轉(zhuǎn)等二維仿射變換的圖像,并對圖像的光照不敏感,對背景中的噪聲等有良好的抗干擾性。對得到的仿射變換矩陣采用模糊C均值聚類算法聚類,達到定位多個靶位目標的目的。（3）對于移動的靶位,攝像機采集的是靶位圖像的幀序列。針對復雜環(huán)境下的射擊訓練,結合深度學習思想研究了基于卷積神經(jīng)網(wǎng)絡的移動的多靶位定位方法。先建... 

【文章來源】：南京航空航天大學江蘇省 211工程院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

給定閾值=0.2的定位結果

步驟3）所設定的閾值對目標圖像的定位有很大的影響。所給定的閾值為 的正常數(shù)倍。給定的閾值 <0.25時，算法有可能找不出目標圖像中全部的目標，如圖3.4中漏掉了右邊的靶位目標；給定閾值 >0.35時，算法可能會匹配其他非目標區(qū)域形成干擾目標，如圖3.5所示，框定了非目標區(qū)域；其中圖3.4、圖3.5是參數(shù) =0.25下的實驗結果。閾值過大或者過小直接導致聚類算法無法將c個目標聚類出來，其結果要么漏掉目標無法全部找出或者找出非目標區(qū)域形成干擾目標，不能準確的定位多靶位。通過實驗發(fā)現(xiàn)， =0.30時，能保證程序能找到目標圖像中全部目標。設置過小，那么決定仿射變換矩陣的參數(shù)網(wǎng)絡就越大，算法程序運行的時間就越長；反之 設置過大時，參數(shù)網(wǎng)絡小，算法精確降低。 設置太大時，采樣點數(shù)越少，算法程序運行時間快

圖 3.7 不同參數(shù)程序運行時間對比T 與 K-均值聚類的對比的算法為基于 SIFT 特征匹配與 k 均值聚類算法。由于要礎上改進以適應多靶位場景。同樣我們設置的參數(shù)是上下面是實驗結果的對比。a)FMFCC方法 b)對比試驗1

【參考文獻】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡的發(fā)展及其在計算機視覺領域的應用[J]. 張順,龔怡宏,王進軍.  計算機學報. 2019(03)
[2]分數(shù)階的Zernike矩[J]. 楊建偉,金德君,盧政大.  計算機輔助設計與圖形學學報. 2017(03)
[3]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[4]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應用. 2016(09)
[5]目標跟蹤技術綜述[J]. 高文,朱明,賀柏根,吳笑天.  中國光學. 2014(03)
[6]基于SURF和快速近似最近鄰搜索的圖像匹配算法[J]. 趙璐璐,耿國華,李康,何阿靜.  計算機應用研究. 2013(03)
[7]基于SIFT特征匹配與K-均值聚類的運動目標檢測[J]. 李廣,馮燕.  計算機應用. 2012(10)
[8]改進的尺度不變特征轉(zhuǎn)換精確圖像匹配在電力設備目標定位中的應用[J]. 侯一民,邸建銘.  中國電機工程學報. 2012(19)
[9]基于區(qū)域模板匹配的多目標實時跟蹤[J]. 林月貢,何小海,張生軍.  計算機仿真. 2011(01)
[10]基于卷積神經(jīng)網(wǎng)絡LeNet-5的車牌字符識別研究[J]. 趙志宏,楊紹普,馬增強.  系統(tǒng)仿真學報. 2010(03)

碩士論文
[1]基于稀疏編碼與機器學習的圖像內(nèi)容識別算法研究[D]. 唐峰.上海交通大學 2011
[2]基于神經(jīng)網(wǎng)絡的目標靶板邊緣檢測技術研究[D]. 孫益.電子科技大學 2005



本文編號：3145261