消費級無人機的使用門檻低、管控少,黑飛現(xiàn)象成為不可忽視的問題。如何實現(xiàn)對黑飛的管控是一個迫切需要處理的難點。本文針對無人機檢測系統(tǒng)進行了研究,分析了目前常用的目標檢測算法和目標跟蹤算法,針對KCF(Kernelized Correlation Filters)的特征問題和上下文感知跟蹤算法的特征和響應問題進行了改進,搭建了無人機檢測系統(tǒng)。主要研究工作如下:1.針對目標檢測問題,說明了傳統(tǒng)的基于人工特征和分類器結(jié)合的檢測算法,并進一步說明了基于深度學習的檢測算法,仿真驗證了無人機檢測系統(tǒng)采用的卷積神經(jīng)網(wǎng)絡的識別效果。2.對基于計算機視覺的目標跟蹤問題進行了研究,針對KCF跟蹤算法采用HOG(Histogram of Oriented Gradient)特征導致目標響應難以達到像素級定位問題,采用了二次拋物線模型近似擬合離散的目標響應,通過泰勒公式對擬合的連續(xù)曲線求極值得到連續(xù)曲線的極值點,并通過此極值點作為最終的目標響應極值,在OTB50數(shù)據(jù)集驗證本算法可提高跟蹤性能。相比KCF算法,精度提高了0.13%,成功率提高了1.4%。3.對于基于上下文感知的跟蹤算法使用傳統(tǒng)人工特征不能夠很好表...

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    §1.1 課題的研究背景與意義
    §1.2 國內(nèi)外研究現(xiàn)狀
    §1.3 論文內(nèi)容和結(jié)構(gòu)
        §1.3.1 論文研究內(nèi)容
        §1.3.2 論文結(jié)構(gòu)安排
第二章 視頻目標檢測技術(shù)研究
    §2.1 傳統(tǒng)的目標檢測算法
        §2.1.1 人工特征
        §2.1.2 分類器
    §2.2 基于深度學習的目標檢測算法
        §2.2.1 卷積神經(jīng)網(wǎng)絡
        §2.2.2 基于候選框的目標檢測算法
        §2.2.3 基于回歸的目標檢測算法
    §2.3 本章小結(jié)
第三章 視頻目標跟蹤技術(shù)研究
    §3.1 目標跟蹤算法
    §3.2 亞像素相關(guān)濾波目標跟蹤算法
        §3.2.1 KCF目標跟蹤算法原理
        §3.2.2 亞像素相關(guān)濾波跟蹤算法
        §3.2.3 亞像素相關(guān)濾波目標跟蹤算法仿真驗證
        §3.2.4 無人機跟蹤仿真測試
    §3.3 MFAPCE目標跟蹤算法
        §3.3.1 CACT目標跟蹤算法
        §3.3.2 基于深度特征與平均峰值相關(guān)能量的目標跟蹤算法
        §3.3.3 MFAPCE算法仿真驗證
        §3.3.4 無人機跟蹤仿真測試
    §3.4 本章小結(jié)
第四章 無人機檢測系統(tǒng)實現(xiàn)
    §4.1 系統(tǒng)概述
    §4.2 系統(tǒng)細節(jié)說明
        §4.2.1 系統(tǒng)軟硬件搭建環(huán)境
        §4.2.2 檢測跟蹤方案分析
        §4.2.3 卷積神經(jīng)網(wǎng)絡模型訓練與測試
        §4.2.4 視頻采集
        §4.2.5 視頻分析
        §4.2.6 云臺控制
        §4.2.7 系統(tǒng)優(yōu)化
    §4.3 系統(tǒng)測試
    §4.4 本章小結(jié)
第五章 總結(jié)與展望
    §5.1 工作總結(jié)
    §5.2 工作展望
參考文獻
致謝
作者在攻讀碩士期間的主要研究成果



本文編號：3841891