無人機(jī)檢測(cè)與識(shí)別運(yùn)動(dòng)目標(biāo)的難點(diǎn)在于平臺(tái)和目標(biāo)都在運(yùn)動(dòng)并且需要較高的實(shí)時(shí)性,普通的運(yùn)動(dòng)目標(biāo)檢測(cè)算法存在較大誤差。針對(duì)該難點(diǎn)問題,本文提出了一種針對(duì)無人機(jī)運(yùn)動(dòng)平臺(tái)的運(yùn)動(dòng)目標(biāo)檢測(cè)與識(shí)別算法,具體如下:(1)綜合分析了運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)的國內(nèi)外研究現(xiàn)狀,設(shè)計(jì)了針對(duì)無人機(jī)平臺(tái)運(yùn)動(dòng)目標(biāo)檢測(cè)識(shí)別算法的系統(tǒng)方案,搭建實(shí)驗(yàn)平臺(tái),并對(duì)機(jī)載云臺(tái)相機(jī)進(jìn)行標(biāo)定。(2)針對(duì)機(jī)載云臺(tái)相機(jī)運(yùn)動(dòng)時(shí)背景模型的建立易受干擾的難題,本文對(duì)傳統(tǒng)單高斯背景模型進(jìn)行改進(jìn),提出具有年齡項(xiàng)的雙模式單高斯背景模型,該模型引入可變化的更新率,能夠有效減少配準(zhǔn)誤差對(duì)模型的影響以及前景像素對(duì)背景模型的污染。通過對(duì)比實(shí)驗(yàn),驗(yàn)證了雙模式單高斯背景模型相比于傳統(tǒng)單高斯背景模型的優(yōu)越性。除此之外,針對(duì)無人機(jī)飛行自由度大的特點(diǎn),提出自適應(yīng)運(yùn)動(dòng)補(bǔ)償方法。該方法運(yùn)算量小,準(zhǔn)確度較高,提高了運(yùn)動(dòng)補(bǔ)償?shù)乃俾屎蜏?zhǔn)確率。(3)針對(duì)判定后的前景像素分割圖存在誤判或漏判的問題,本文對(duì)檢測(cè)結(jié)果進(jìn)行優(yōu)化,提出了基于灰度相似性的去除陰影方法以及基于概率形態(tài)學(xué)膨脹的去除孔洞方法,使得檢測(cè)出的運(yùn)動(dòng)目標(biāo)更加完整準(zhǔn)確,同時(shí)在去除陰影操作前,采用基于能量值和目標(biāo)陰影像素個(gè)數(shù)比值的陰影存在性判定算法,進(jìn)一步降低了計(jì)算量。(4)針對(duì)無人機(jī)檢測(cè)出來的運(yùn)動(dòng)目標(biāo)需要快速識(shí)別的問題,設(shè)計(jì)了基于GPU運(yùn)行的Mobile Nets-SSD運(yùn)動(dòng)目標(biāo)識(shí)別方法,利用GPU加速模型進(jìn)行訓(xùn)練和運(yùn)行,同時(shí)使用Mobile Nets對(duì)模型進(jìn)行壓縮,經(jīng)過實(shí)驗(yàn)驗(yàn)證,基于GPU運(yùn)行的Mobile Nets-SSD比SSD運(yùn)行速度提高近7倍。在6組不同環(huán)境條件下進(jìn)行試驗(yàn),試驗(yàn)結(jié)果表明本文方法可以有效解決移動(dòng)背景下運(yùn)動(dòng)目標(biāo)的檢測(cè)和識(shí)別問題,目標(biāo)分割質(zhì)量高,運(yùn)行速度快,識(shí)別效果好,系統(tǒng)的整體運(yùn)行速度最高能達(dá)到22 FPS。
【學(xué)位單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：V279;V249
【部分圖文】：

1 Guillot 提出適用于平移變焦相機(jī)的背景減法算像機(jī)平移和傾斜時(shí)的概率框架，開發(fā)了一運(yùn)動(dòng)模糊、亞像素?cái)z像機(jī)運(yùn)動(dòng)、目標(biāo)邊穩(wěn)定的不確定性、未建模的徑向畸變和攝 1-2 Hayman 開發(fā)的適于攝像機(jī)運(yùn)動(dòng)的檢測(cè)算法

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文算法[13]。通過對(duì)背景圖像與當(dāng)前圖像關(guān)鍵點(diǎn)的匹配來估計(jì)概率密度函數(shù)要功能在于使背景模型適應(yīng)改變寬泛的光照變化，見圖 1-1[13]。圖 1-1 Guillot 提出適用于平移變焦相機(jī)的背景減法算法[13]ayman 給出了攝像機(jī)平移和傾斜時(shí)的概率框架，開發(fā)了一種用于處理各種統(tǒng)一方法，包括運(yùn)動(dòng)模糊、亞像素?cái)z像機(jī)運(yùn)動(dòng)、目標(biāo)邊界上的混合像素噪聲引起的背景穩(wěn)定的不確定性、未建模的徑向畸變和攝像機(jī)的小平移-2 所示[14]。

圖 1-3 Ren 提出的實(shí)時(shí)跟蹤 PTZ 相機(jī)目標(biāo)算法[18]些方法中，通過將各種圖像配準(zhǔn)技術(shù)應(yīng)用到輸入幀中，構(gòu)造全景背并且通過圖像匹配算法找到全景圖像中當(dāng)前幀的位置。然后，以類的方式分割運(yùn)動(dòng)對(duì)象。 Cucchiara[12]和 Robinault[18]通過背景拼接比計(jì)攝像機(jī)的運(yùn)動(dòng)矩陣，并進(jìn)行前景分割。他們使用了不同類型的�？紤]到視差效應(yīng)產(chǎn)生的圖像配準(zhǔn)誤差問題。Kang[15]考慮攝像機(jī)的內(nèi)背景拼接，然而，攝像機(jī)的內(nèi)部參數(shù)并不在總是可用的，并且該方慮到可能的配準(zhǔn)誤差。為了解決配準(zhǔn)誤差和運(yùn)動(dòng)目標(biāo)魯棒性的問題用了圓柱拼接并且 Ren[17]提出了高斯空間分布。Hayman[14]考慮對(duì)單機(jī)過程的空間混合，包括信號(hào)和噪聲的總和，來解決可能的配準(zhǔn)誤 Guillot[13]通過修改背景模型的更新以及使用關(guān)鍵點(diǎn)匹配的方法提的適應(yīng)性。方法在提取運(yùn)動(dòng)目標(biāo)之前通常需要全景背景拼接。然而，基于背景有幾個(gè)限制。使用全景圖的基本假設(shè)包括足夠精確的運(yùn)動(dòng)模型、精以及無失真透鏡。此外，這些方法還存在背景適應(yīng)性、累積拼接誤、以及計(jì)算量大和時(shí)間問題。
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王天召;徐克虎;黃大山;;動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年07期

2 劉雪;常發(fā)亮;王華杰;;運(yùn)動(dòng)目標(biāo)檢測(cè)中的陰影去除方法[J];微處理機(jī);2008年05期

3 鄭世友;費(fèi)樹岷;劉懷;龍飛;;動(dòng)態(tài)場(chǎng)景圖像序列中運(yùn)動(dòng)目標(biāo)檢測(cè)新方法[J];中國圖象圖形學(xué)報(bào);2007年09期

相關(guān)博士學(xué)位論文 前4條

1 郭玲;智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)的算法研究[D];華南理工大學(xué);2013年

2 解曉萌;復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測(cè)和識(shí)別關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2012年

3 鐘必能;復(fù)雜動(dòng)態(tài)場(chǎng)景中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D];哈爾濱工業(yè)大學(xué);2010年

4 方挺;無人機(jī)協(xié)同編隊(duì)飛行中的視覺感知關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2008年

相關(guān)碩士學(xué)位論文 前3條

1 馬純;動(dòng)態(tài)背景下的行人檢測(cè)與跟蹤研究[D];南京郵電大學(xué);2016年

2 張維新;基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D];南京信息工程大學(xué);2017年

3 陳楊;基于背景建模的動(dòng)態(tài)場(chǎng)景運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D];南京信息工程大學(xué);2017年

本文編號(hào)：2840972