無人機(jī)由于體積小、成本低、靈活易操作等特點(diǎn)得到各領(lǐng)域的廣泛關(guān)注,在應(yīng)急救援、農(nóng)業(yè)植保、軍事偵察、地質(zhì)勘探、環(huán)境監(jiān)測(cè)、影視娛樂等行業(yè)應(yīng)用領(lǐng)域需求旺盛。運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤是無人機(jī)航拍方面研究的基礎(chǔ)內(nèi)容之一,為實(shí)現(xiàn)無人機(jī)地跟蹤拍攝,運(yùn)動(dòng)目標(biāo)的檢測(cè)及跟蹤必不可少。本文采用隨機(jī)森林（Random Forest,RF）和核相關(guān)濾波（Kernelized Correlation Filter,KCF）算法,圍繞運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤這一課題,對(duì)運(yùn)動(dòng)目標(biāo)的特征提取、邊界檢測(cè)、遮擋檢測(cè)機(jī)制等算法進(jìn)行了研究,最后將EBKCF（Edges Boxes with Kernelized Correlation Filter,EBKCF）算法移植到Manifold上,驗(yàn)證EBKCF算法的有效性。首先,由于結(jié)構(gòu)隨機(jī)森林（Structured Random Forest,SRF）的特征提取算法復(fù)雜,造成運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)間過長(zhǎng),本文提出了一種簡(jiǎn)單的梯度提取算法Simple-gradient。該算法減少了特征提取的復(fù)雜度,減少了算法提取時(shí)間,縮短了運(yùn)動(dòng)目標(biāo)模型的訓(xùn)練時(shí)間以及運(yùn)動(dòng)目標(biāo)邊界檢測(cè)時(shí)間;針對(duì)多棵決策樹之間可能存在冗余,... 

【文章來源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究現(xiàn)狀
        1.2.2 核相關(guān)濾波類跟蹤算法的研究現(xiàn)狀
    1.3 無人機(jī)跟蹤的研究現(xiàn)狀
    1.4 本課題主要研究?jī)?nèi)容及結(jié)構(gòu)安排
第2章 改進(jìn)的結(jié)構(gòu)隨機(jī)森林運(yùn)動(dòng)目標(biāo)邊界檢測(cè)
    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(jī)森林算法
        2.2.1 隨機(jī)森林的檢測(cè)過程
        2.2.2 隨機(jī)森林的訓(xùn)練過程
    2.3 結(jié)構(gòu)化隨機(jī)森林算法
        2.3.1 Sketch Tokens的定義
        2.3.2 隨機(jī)森林的結(jié)構(gòu)化處理
    2.4 改進(jìn)的結(jié)構(gòu)隨機(jī)森林檢測(cè)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(jìn)的結(jié)構(gòu)隨機(jī)森林算法性能測(cè)試
        2.5.1 定性分析
        2.5.2 定量分析
    2.6 本章小結(jié)
第3章 結(jié)合抗遮擋改進(jìn)的KCF跟蹤算法
    3.1 核相關(guān)濾波算法跟蹤運(yùn)動(dòng)目標(biāo)
        3.1.1 核相關(guān)濾波算法的訓(xùn)練樣本
        3.1.2 訓(xùn)練分類器
        3.1.3 快速檢測(cè)
        3.1.4 在線更新模型
    3.2 Edges Boxes評(píng)估算法
    3.3 EBKCF算法
        3.3.1 遮擋檢測(cè)機(jī)制
        3.3.2 候選框提案否決機(jī)制
        3.3.3 算法執(zhí)行步驟
    3.4 EBKCF算法性能測(cè)試
        3.4.1 參數(shù)設(shè)置
        3.4.2 實(shí)驗(yàn)結(jié)果定性分析
        3.4.3 實(shí)驗(yàn)結(jié)果定量分析
    3.5 本章小結(jié)
第4章 基于DJI Guidance的 EBKCF算法實(shí)現(xiàn)
    4.1 系統(tǒng)硬件平臺(tái)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(shí)驗(yàn)設(shè)計(jì)
        4.3.1 基于ROS平臺(tái)的算法移植
        4.3.2 實(shí)驗(yàn)步驟設(shè)計(jì)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 尺度變化驗(yàn)證
        4.4.2 遮擋算法驗(yàn)證
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]目標(biāo)跟蹤算法綜述[J]. 孟琭,楊旭.  自動(dòng)化學(xué)報(bào). 2019(07)
[2]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)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(yùn)動(dòng)車輛檢測(cè)方法[J]. 袁益琴,何國(guó)金,王桂周,江威,康金忠.  中國(guó)科學(xué)院大學(xué)學(xué)報(bào). 2018(01)
[4]基于光流法和卡爾曼濾波的多目標(biāo)跟蹤[J]. 石龍偉,鄧欣,王進(jìn),陳喬松.  計(jì)算機(jī)應(yīng)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(xué)與計(jì)算機(jī). 2017(05)
[6]基于圖像化多幀積累濾波的慢小目標(biāo)探測(cè)方法[J]. 朱源才,王紅,曲智國(guó).  系統(tǒng)工程與電子技術(shù). 2017(08)
[7]基于深度卷積特征的細(xì)粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動(dòng)化學(xué)報(bào). 2017(08)
[8]改進(jìn)的核相關(guān)濾波器目標(biāo)跟蹤算法[J]. 余禮楊,范春曉,明悅.  計(jì)算機(jī)應(yīng)用. 2015(12)
[9]一種基于綜合不放回抽樣的隨機(jī)森林算法改進(jìn)[J]. 李慧,李正,佘堃.  計(jì)算機(jī)工程與科學(xué). 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(jì)算機(jī)科學(xué)與探索. 2011(01)



本文編號(hào)：2928879