無人機由于體積小、成本低、靈活易操作等特點得到各領域的廣泛關注,在應急救援、農業(yè)植保、軍事偵察、地質勘探、環(huán)境監(jiān)測、影視娛樂等行業(yè)應用領域需求旺盛。運動目標檢測及跟蹤是無人機航拍方面研究的基礎內容之一,為實現(xiàn)無人機地跟蹤拍攝,運動目標的檢測及跟蹤必不可少。本文采用隨機森林（Random Forest,RF）和核相關濾波（Kernelized Correlation Filter,KCF）算法,圍繞運動目標檢測及跟蹤這一課題,對運動目標的特征提取、邊界檢測、遮擋檢測機制等算法進行了研究,最后將EBKCF（Edges Boxes with Kernelized Correlation Filter,EBKCF）算法移植到Manifold上,驗證EBKCF算法的有效性。首先,由于結構隨機森林（Structured Random Forest,SRF）的特征提取算法復雜,造成運動目標檢測時間過長,本文提出了一種簡單的梯度提取算法Simple-gradient。該算法減少了特征提取的復雜度,減少了算法提取時間,縮短了運動目標模型的訓練時間以及運動目標邊界檢測時間;針對多棵決策樹之間可能存在冗余,... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 運動目標檢測算法的研究現(xiàn)狀
        1.2.2 核相關濾波類跟蹤算法的研究現(xiàn)狀
    1.3 無人機跟蹤的研究現(xiàn)狀
    1.4 本課題主要研究內容及結構安排
第2章 改進的結構隨機森林運動目標邊界檢測
    2.1 決策樹
        2.1.1 ID3 算法
        2.1.2 C4.5 算法
        2.1.3 CART算法
    2.2 隨機森林算法
        2.2.1 隨機森林的檢測過程
        2.2.2 隨機森林的訓練過程
    2.3 結構化隨機森林算法
        2.3.1 Sketch Tokens的定義
        2.3.2 隨機森林的結構化處理
    2.4 改進的結構隨機森林檢測算法
        2.4.1 特征提取算法
        2.4.2 間隔最優(yōu)化算法
        2.4.3 本文的算法執(zhí)行步驟
    2.5 改進的結構隨機森林算法性能測試
        2.5.1 定性分析
        2.5.2 定量分析
    2.6 本章小結
第3章 結合抗遮擋改進的KCF跟蹤算法
    3.1 核相關濾波算法跟蹤運動目標
        3.1.1 核相關濾波算法的訓練樣本
        3.1.2 訓練分類器
        3.1.3 快速檢測
        3.1.4 在線更新模型
    3.2 Edges Boxes評估算法
    3.3 EBKCF算法
        3.3.1 遮擋檢測機制
        3.3.2 候選框提案否決機制
        3.3.3 算法執(zhí)行步驟
    3.4 EBKCF算法性能測試
        3.4.1 參數(shù)設置
        3.4.2 實驗結果定性分析
        3.4.3 實驗結果定量分析
    3.5 本章小結
第4章 基于DJI Guidance的 EBKCF算法實現(xiàn)
    4.1 系統(tǒng)硬件平臺搭建
        4.1.1 Guidance視覺系統(tǒng)
        4.1.2 Manifold嵌入式開發(fā)板
    4.2 系統(tǒng)軟件環(huán)境搭建
        4.2.1 DJI SDK介紹
        4.2.2 軟件安裝
    4.3 算法移植和實驗設計
        4.3.1 基于ROS平臺的算法移植
        4.3.2 實驗步驟設計
    4.4 實驗結果與分析
        4.4.1 尺度變化驗證
        4.4.2 遮擋算法驗證
    4.5 本章小結
結論
參考文獻
攻讀碩士學位期間承擔的科研任務與主要成果
致謝


【參考文獻】：
期刊論文
[1]目標跟蹤算法綜述[J]. 孟琭,楊旭.  自動化學報. 2019(07)
[2]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[3]背景差分與幀間差分相融合的遙感衛(wèi)星視頻運動車輛檢測方法[J]. 袁益琴,何國金,王桂周,江威,康金忠.  中國科學院大學學報. 2018(01)
[4]基于光流法和卡爾曼濾波的多目標跟蹤[J]. 石龍偉,鄧欣,王進,陳喬松.  計算機應用. 2017(S1)
[5]基于C4.5決策樹的視頻車輛車型分類算法[J]. 卞建勇,徐建閩.  微電子學與計算機. 2017(05)
[6]基于圖像化多幀積累濾波的慢小目標探測方法[J]. 朱源才,王紅,曲智國.  系統(tǒng)工程與電子技術. 2017(08)
[7]基于深度卷積特征的細粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動化學報. 2017(08)
[8]改進的核相關濾波器目標跟蹤算法[J]. 余禮楊,范春曉,明悅.  計算機應用. 2015(12)
[9]一種基于綜合不放回抽樣的隨機森林算法改進[J]. 李慧,李正,佘堃.  計算機工程與科學. 2015(07)
[10]最大化邊際的分類器選取算法[J]. 付彬,王志海,王中鋒.  計算機科學與探索. 2011(01)



本文編號：2928879