目前,無(wú)人機(jī)技術(shù)日趨成熟,無(wú)人機(jī)的應(yīng)用范圍也日趨增大,一些隱患也隨之而來(lái)。一些人非法使用無(wú)人機(jī)造成了安全事故。因此,對(duì)無(wú)人機(jī)飛行進(jìn)行合理的管制是非常必要的。紅外相機(jī)和可見(jiàn)光相機(jī)是常用的無(wú)人機(jī)監(jiān)視手段,本文對(duì)紅外和可見(jiàn)光圖像中的無(wú)人機(jī)目標(biāo)進(jìn)行多尺度檢測(cè)以增加探測(cè)器對(duì)無(wú)人機(jī)的監(jiān)視范圍。首先,進(jìn)行目標(biāo)檢測(cè)算法YOLOv3的目標(biāo)尺度邊界分析。研究了基于錨框的一階目標(biāo)檢測(cè)算法的基本結(jié)構(gòu)和YOLOv3的基本原理。嘗試使用雙線(xiàn)性插值代替最近鄰插值進(jìn)行上采樣來(lái)增強(qiáng)YOLOv3對(duì)小目標(biāo)的檢測(cè)能力。使用無(wú)人機(jī)圖像集訓(xùn)練后測(cè)試了YOLOv3的目標(biāo)尺度邊界,發(fā)現(xiàn)雙線(xiàn)性插值并不能提高YOLOv3對(duì)小目標(biāo)的檢測(cè)能力。然后,基于YOLOv3的主干網(wǎng)絡(luò)Darknet-53進(jìn)行圖像中小目標(biāo)無(wú)人機(jī)的檢測(cè)方法研究,為改進(jìn)YOLOv3實(shí)現(xiàn)對(duì)無(wú)人機(jī)目標(biāo)的多尺度檢測(cè)提供理論和實(shí)驗(yàn)依據(jù)。研究了使用邊界框回歸進(jìn)行小目標(biāo)檢測(cè)的可能性,分析得出當(dāng)使用邊界框進(jìn)行小目標(biāo)檢測(cè)時(shí)不僅參數(shù)多,而且因?yàn)榇蟪叨饶繕?biāo)對(duì)損失函數(shù)的貢獻(xiàn)大于小目標(biāo),小目標(biāo)檢測(cè)的性能必定受到抑制。針對(duì)邊界框回歸不適合用于小目標(biāo)檢測(cè)的問(wèn)題,設(shè)計(jì)了基于尺度變換層的網(wǎng)絡(luò)來(lái)預(yù)測(cè)圖像中... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

無(wú)人機(jī)運(yùn)動(dòng)導(dǎo)致

哈爾濱工業(yè)大學(xué)碩士學(xué)位論文-2-圖1-1無(wú)人機(jī)運(yùn)動(dòng)導(dǎo)致圖像中目標(biāo)尺度變化1.2國(guó)內(nèi)外研究現(xiàn)狀1.2.1目標(biāo)尺度的劃分目前，沒(méi)有統(tǒng)一的目標(biāo)尺度劃分標(biāo)準(zhǔn)。COCO數(shù)據(jù)集根據(jù)目標(biāo)像素?cái)?shù)將目標(biāo)劃分為小目標(biāo)、中等尺度目標(biāo)、大目標(biāo)。COCO數(shù)據(jù)集目標(biāo)尺度劃分標(biāo)準(zhǔn)如表1-1所示。表1-1COCO數(shù)據(jù)集目標(biāo)尺度劃分尺度劃分最小目標(biāo)框最大目標(biāo)框小目標(biāo)1×132×32中等尺度目標(biāo)32×3296×96大目標(biāo)96×96∞×∞國(guó)際光學(xué)工程學(xué)會(huì)將尺寸小于總像素?cái)?shù)目0.12%的目標(biāo)視為小目標(biāo)（對(duì)256×256的圖像，小于81個(gè)像素）。本論文采用國(guó)際光學(xué)工程學(xué)會(huì)的規(guī)定，將尺寸小于總像素?cái)?shù)目0.12%的目標(biāo)視為小目標(biāo)，對(duì)于416×416的圖像，將寬、高均小于16個(gè)像素的目標(biāo)稱(chēng)為小目標(biāo)。本文將雖然尺度小，但還有形狀和紋理信息的目標(biāo)稱(chēng)為小尺度目標(biāo)。目標(biāo)檢測(cè)算法適用的目標(biāo)尺度是有一定范圍的。當(dāng)圖像中目標(biāo)占據(jù)的像素?cái)?shù)目過(guò)少時(shí)，小目標(biāo)失去了形狀和紋理信息，是一個(gè)斑塊，無(wú)法直接辨別它是哪一類(lèi)目標(biāo)。除專(zhuān)門(mén)為小目標(biāo)檢測(cè)而設(shè)計(jì)的小目標(biāo)檢測(cè)算法，通常所說(shuō)的目標(biāo)檢測(cè)算法是不能檢測(cè)斑塊狀的小目標(biāo)的。為了與小目標(biāo)檢測(cè)算法相區(qū)分，當(dāng)與小目標(biāo)檢測(cè)算法一起提及時(shí)本文稱(chēng)不能檢測(cè)小目標(biāo)的目標(biāo)檢測(cè)算法為大目標(biāo)檢測(cè)算法。1.2.2目標(biāo)檢測(cè)算法國(guó)內(nèi)外研究現(xiàn)狀“目標(biāo)檢測(cè)”是機(jī)器視覺(jué)的重要領(lǐng)域之一。目標(biāo)檢測(cè)需要尋找出圖像中特定種類(lèi)目標(biāo)的位置。影響目標(biāo)檢測(cè)性能的因素有很多，不同類(lèi)別的物體有不同的形狀、紋理、顏色等特征，而同一種類(lèi)的物體也可以在形狀、顏色、紋理、

哈爾濱工業(yè)大學(xué)碩士學(xué)位論文-17-非極大值抑制對(duì)首先根據(jù)分類(lèi)器各類(lèi)別分類(lèi)打分做排序，選擇具有最大置信度打分的檢測(cè)框，將其從集合中移除并加入最終的檢測(cè)結(jié)果中；然后將集合中與其IOU值大于設(shè)定的閾值的檢測(cè)框移除；最后，重復(fù)這個(gè)過(guò)程，直到集合為空。0.950.750.95a)非極大值抑制前b)非極大值抑制后圖2-4非極大值抑制（nms）示例2.3上采樣方法的選擇目標(biāo)檢測(cè)算法YOLOv3進(jìn)行了兩次上采樣，然后將上采樣的特征圖與淺層的特征圖相融合，提高網(wǎng)絡(luò)對(duì)尺度較小目標(biāo)的檢測(cè)精度。YOLOv3網(wǎng)絡(luò)中使用的上采樣方法是最近鄰插值，如圖2-5所示。當(dāng)使用最近鄰插值對(duì)圖像進(jìn)行二倍上采樣時(shí)，原圖像中的一個(gè)像素點(diǎn)變成了一個(gè)2×2的區(qū)域，將該點(diǎn)的值復(fù)制到對(duì)應(yīng)2×2區(qū)域中的四個(gè)位置。最近鄰插值易于計(jì)算，但當(dāng)使用最近鄰插值增大圖像的尺寸時(shí)，處理后的圖像看起來(lái)不夠精確。雙線(xiàn)性插值利用原二維平面中四個(gè)相鄰的點(diǎn)來(lái)對(duì)新的數(shù)據(jù)點(diǎn)進(jìn)行插值。大部分情況下，使用雙線(xiàn)性插值增大尺寸的圖像在直觀上比使用最近鄰插值增大的圖像看起來(lái)清晰。而且使用雙線(xiàn)性插值，插值后特征圖的感受野將擴(kuò)大。圖2-5最近鄰插值示例

【參考文獻(xiàn)】：
期刊論文
[1]地/空背景下紅外圖像弱小飛機(jī)目標(biāo)檢測(cè)跟蹤數(shù)據(jù)集[J]. 回丙偉,宋志勇,范紅旗,鐘平,胡衛(wèi)東,張曉峰,凌建國(guó),蘇宏艷,金威,張永杰,白亞茜.  中國(guó)科學(xué)數(shù)據(jù)(中英文網(wǎng)絡(luò)版). 2020(03)
[2]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing.  Journal of Systems Engineering and Electronics. 2018(05)
[3]一種基于PGF、BEMD和局部逆熵的新型紅外小目標(biāo)檢測(cè)方法[J]. 解婷,陳忠,馬榮毅.  紅外與毫米波學(xué)報(bào). 2017(01)
[4]無(wú)人機(jī)成“玩具”后,反無(wú)人機(jī)產(chǎn)業(yè)悄然興起[J]. 梁麗雯.  金融科技時(shí)代. 2017(02)
[5]基于自適應(yīng)側(cè)抑制網(wǎng)絡(luò)的紅外弱小目標(biāo)檢測(cè)[J]. 史漫麗,彭真明,張啟衡,李全忠,林志勤.  強(qiáng)激光與粒子束. 2011(04)



本文編號(hào)：3461533