圖像匹配在無人飛行器視覺導(dǎo)航中發(fā)揮著重要的作用。通過將航拍圖像與電子地圖進(jìn)行圖像匹配,或?qū)ο噜弮蓭脚膱D像進(jìn)行匹配,能夠得到飛行器的位置與速度信息。傳統(tǒng)的圖像匹配算法主要基于手工設(shè)計(jì)的特征,具有很好的泛用性,但在有些任務(wù)中匹配性能不佳。目前,深度學(xué)習(xí)迅速發(fā)展,但在圖像匹配方向剛剛興起,在精度和速度上存在較大的上升空間。為此,本文主要研究基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像匹配算法,以期提高匹配精度和速度。主要工作如下:（1）提出了一種航拍圖像匹配數(shù)據(jù)集制作方法,提高了Hardnet網(wǎng)絡(luò)的匹配精度。Hardnet是一種提取128維特征描述子的深度卷積神經(jīng)網(wǎng)絡(luò),但訓(xùn)練使用的UBC Phototour數(shù)據(jù)集與航拍圖像差異較大,影響實(shí)際匹配性能。為此,首先分析了航拍圖像數(shù)據(jù)與UBC Phototour數(shù)據(jù)之間的差異。然后基于SIFT算法的特征提取方法,對(duì)航拍圖像數(shù)據(jù)進(jìn)行特征提取與匹配。接著,基于孿生網(wǎng)絡(luò)的思想,生成了50000對(duì)正樣本與負(fù)樣本,并以UBC Phototour數(shù)據(jù)集的格式生成了航拍圖像數(shù)據(jù)集。最后,使用本文生成的數(shù)據(jù)集對(duì)Hardnet網(wǎng)絡(luò)進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明,基于Hardnet的航拍圖像... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容與結(jié)構(gòu)安排
2 圖像匹配與感興趣區(qū)域提取概述
    2.1 圖像匹配
        2.1.1 圖像匹配流程
        2.1.2 基于手工特征的圖像匹配算法
        2.1.3 基于深度學(xué)習(xí)的圖像匹配算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 感興趣區(qū)域提取
    2.4 本章小結(jié)
3 基于Hardnet的航拍圖像匹配與數(shù)據(jù)集制作
    3.1 Hardnet網(wǎng)絡(luò)
        3.1.1 Hardnet網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 UBC Phototour數(shù)據(jù)集
        3.1.3 網(wǎng)絡(luò)參數(shù)設(shè)置
    3.2 航拍圖像數(shù)據(jù)集制作
        3.2.1 特征區(qū)域提取
        3.2.2 特征匹配集
        3.2.3 正負(fù)樣本制作
    3.3 航拍圖像匹配測(cè)試結(jié)果
        3.3.1 航拍圖像正確匹配率比較
        3.3.2 輸出特征子維度對(duì)匹配正確率的影響
    3.4 本章小結(jié)
4 航拍圖像感興趣區(qū)域提取網(wǎng)絡(luò)CENet
    4.1 感興趣區(qū)域提取網(wǎng)絡(luò)CENet
        4.1.1 設(shè)計(jì)思想
        4.1.2 網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.3 訓(xùn)練流程
    4.2 實(shí)驗(yàn)數(shù)據(jù)集
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 實(shí)驗(yàn)平臺(tái)
        4.3.2 評(píng)價(jià)指標(biāo)
        4.3.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
5 融合CENet與 Hardnet的快速航拍圖像匹配算法
    5.1 航拍圖像快速匹配算法思想
    5.2 航拍圖像快速匹配算法設(shè)計(jì)與實(shí)現(xiàn)
        5.2.1 感興趣區(qū)域提取
        5.2.2 特征點(diǎn)篩選
    5.3 實(shí)驗(yàn)結(jié)果與分析
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于模糊預(yù)測(cè)的INS/視覺無人機(jī)自主著陸導(dǎo)航算法[J]. 洪亮,章政,李亞貴,李宇峰,張艦棟.  傳感技術(shù)學(xué)報(bào). 2019(12)
[2]基于深度學(xué)習(xí)特征提取的遙感影像配準(zhǔn)[J]. 許東麗,胡忠正.  航天返回與遙感. 2019(06)
[3]基于特征壓縮激活Unet網(wǎng)絡(luò)的建筑物提取[J]. 劉浩,駱劍承,黃波,楊海平,胡曉東,徐楠,夏列鋼.  地球信息科學(xué)學(xué)報(bào). 2019(11)
[4]基于CNN和SIFT特征的遙感圖像變化檢測(cè)[J]. 李學(xué)亮,王維.  電子測(cè)量技術(shù). 2019(21)
[5]深度網(wǎng)絡(luò)的顯著性目標(biāo)檢測(cè)[J]. 王玉,王志騰.  電子測(cè)量技術(shù). 2019(21)
[6]無人機(jī)景象匹配視覺導(dǎo)航技術(shù)綜述[J]. 趙春暉,周昳慧,林釗,胡勁文,潘泉.  中國(guó)科學(xué):信息科學(xué). 2019(05)
[7]基于改進(jìn)SIFT的無人機(jī)航拍圖像快速匹配[J]. 韓宇,宗群,邢娜.  南開大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[8]基于FlowS-Unet的遙感圖像建筑物變化檢測(cè)[J]. 顧煉,許詩(shī)起,竺樂慶.  自動(dòng)化學(xué)報(bào). 2020(06)
[9]深度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測(cè)[J]. 李岳云,許悅雷,馬時(shí)平,史鶴歡.  中國(guó)圖象圖形學(xué)報(bào). 2016(01)
[10]改進(jìn)的RANSAC算法在圖像配準(zhǔn)中的應(yīng)用[J]. 曲天偉,安波,陳桂蘭.  計(jì)算機(jī)應(yīng)用. 2010(07)

博士論文
[1]圖像感興趣區(qū)域提取方法研究[D]. 陳再良.中南大學(xué) 2012



本文編號(hào)：3315430