無人機(jī)因其靈活高效、低成本等優(yōu)點(diǎn),在導(dǎo)航搜救、交通監(jiān)控等方面得到日益普及,無人機(jī)視頻監(jiān)控在安全防范領(lǐng)域中發(fā)揮著舉足輕重的作用,實(shí)現(xiàn)無人機(jī)視角下的目標(biāo)檢測與跟蹤,能夠有效提升無人機(jī)高效化、智能化作業(yè)水平。本文對無人機(jī)視角下車輛漏檢率高和難以滿足嵌入式平臺實(shí)時性的要求進(jìn)行了研究,設(shè)計(jì)了一個應(yīng)用在無人機(jī)平臺上的多目標(biāo)車輛實(shí)時檢測跟蹤算法,以解決無人機(jī)視角下檢測跟蹤中漏檢、誤檢、遮擋等問題。主要完成的工作如下:（1）針對現(xiàn)有目標(biāo)檢測網(wǎng)絡(luò)在無人機(jī)平臺上準(zhǔn)確度低和實(shí)時性差的問題,以YOLOv3為基礎(chǔ),提出了4點(diǎn)改進(jìn)策略。首先使用反殘差網(wǎng)絡(luò)構(gòu)建基礎(chǔ)特征提取層,用MobileNetv2作為骨干網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)輕量化處理;其次,針對車輛定位不準(zhǔn)確和樣本不均衡問題,采用DIoU和Focal Loss代替原損失函數(shù)中的位置損失和置信度損失;并通過6)-means聚類算法重新獲取anchor尺寸;最后利用快速ACE算法對數(shù)據(jù)集進(jìn)行增強(qiáng)處理以提高性能。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的網(wǎng)絡(luò)MD-YOLOv3精度提升了4.54%,速度由原先6幀/s提升到14幀/s。（2）在檢測的基礎(chǔ)上,針對SORT算法的ID易突變等缺點(diǎn),提出一種... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：100 頁

【學(xué)位級別】：碩士

【部分圖文】：

無人機(jī)的應(yīng)用領(lǐng)域

１究翁獾難芯烤哂幸歡ǖ睦礪堊芯懇庖搴蛻桃導(dǎo)壑擔(dān)?芄淮俳?奕嘶?捌?相關(guān)產(chǎn)業(yè)發(fā)展，對進(jìn)一步提升無人機(jī)高效化、智能化作業(yè)水平也有著積極作用。1.2國內(nèi)外研究現(xiàn)狀1.2.1目標(biāo)檢測算法研究現(xiàn)狀目標(biāo)檢測的任務(wù)是找出圖像中所有感興趣的目標(biāo)(物體)，然后確定它們的位置和大小信息。由于不同目標(biāo)物體外觀、形狀的不同，以及周圍不同光照、遮擋等因素的干擾，目標(biāo)檢測一直是計(jì)算機(jī)視覺領(lǐng)域最具有挑戰(zhàn)性的問題[9]。圖像區(qū)域建議候選區(qū)域特征表示提取描述特征區(qū)域分類分類器邊框回歸訓(xùn)練樣本特征提取訓(xùn)練分類器圖1-2傳統(tǒng)目標(biāo)檢測過程一般傳統(tǒng)目標(biāo)檢測方法包括三個部分：滑動窗口確定候選區(qū)域、提取特征(如Harr[10]或HOG[11]等)、分類器分類回歸[12,13]，檢測過程如圖1-2所示。Felzenszwalb[14]

實(shí)際應(yīng)用的需求標(biāo)準(zhǔn)。201320142015201620172018DetectorNet(Szegedyetal.)RCNN(Girshicketal.)NIN(Linetal.)FastRCNN(Girshick)SPPNet(Heetal.)MSCMultibox(Szegedyetal.)VGGNet(SimonyanandZisserman)MultiBox(Erhanetal.)YOLO(Redmonetal.)FasterRCNN(Renetal.)ResNet(Heetal.)RFCN(Daietal.)DenseNet(Huangetal.)SSD(Liuetal.)YOLO9000(RedmonandFarhadi)MaskRCNN(Heetal.)FocalLoss(Linetal.)OverFeat(Sermanetetal.)GoogLeNet(Szegedyetal.)圖1-3目標(biāo)檢測發(fā)展的歷程圖近幾年，深度學(xué)習(xí)興起和不斷發(fā)展加速了目標(biāo)檢測的進(jìn)程，目標(biāo)檢測從原始的傳統(tǒng)手工提取特征方法變成了基于卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionNeuralNetwork，CNN)的特征提齲與傳統(tǒng)特征提取方法不同，卷積神經(jīng)網(wǎng)絡(luò)通過多層卷積運(yùn)算提取特征，能夠獲取較高精度，同時能克服周邊環(huán)境變化帶來的困難，具有一定的魯棒性。圖1-3為目標(biāo)檢測發(fā)展的歷程圖，2013年，OverFeat[15]在數(shù)據(jù)集ILSVRC2013上的平均檢測精度(meanAveragePrecision，mAP)只有24.3%，隨后Girshick提出了R-CNN[16](Region-basedConvolutionalNeuralNetworks)，將選擇性搜索的區(qū)域建議算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，使得檢測結(jié)果的準(zhǔn)確率得到了大幅提升，自此掀起了一輪將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于目標(biāo)檢測的研究熱潮，但這種檢測方法也存在著一大缺陷是區(qū)域建議之間存在高度重疊，會造成特征提取的冗余，使得檢測效率大為降低。針對R-CNN的檢測框架存在的問題，He[17]等提出空間金字塔池化(SpatialPyramidPooling，SPP)方法，有效處理了多尺度檢測問題。隨后，相繼出現(xiàn)了FastR-CNN[18]、FasterR-CNN[19]、R-FCN[20]等一系列優(yōu)秀的目標(biāo)檢測算法，F(xiàn)aste

【參考文獻(xiàn)】：
期刊論文
[1]基于余弦距離度量學(xué)習(xí)的偽K近鄰文本分類算法[J]. 彭凱,汪偉,楊煜普.  計(jì)算機(jī)工程與設(shè)計(jì). 2013(06)
[2]無人機(jī)視頻運(yùn)動目標(biāo)實(shí)時檢測及跟蹤[J]. 董晶,傅丹,楊夏.  應(yīng)用光學(xué). 2013(02)
[3]Cubature卡爾曼濾波-卡爾曼濾波算法[J]. 孫楓,唐李軍.  控制與決策. 2012(10)
[4]運(yùn)動目標(biāo)跟蹤算法研究綜述[J]. 張娟,毛曉波,陳鐵軍.  計(jì)算機(jī)應(yīng)用研究. 2009(12)
[5]改進(jìn)自動色彩均衡快速算法[J]. 王煜堅(jiān),黃波.  無線電通信技術(shù). 2009(05)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)偵察圖像識別[D]. 馬杰.北京郵電大學(xué) 2019
[2]文本圖像的拼接技術(shù)及其應(yīng)用研究[D]. 國棟.北方工業(yè)大學(xué) 2019
[3]基于HOG特征的車輛檢測技術(shù)研究[D]. 馬蓓蓓.華南理工大學(xué) 2015
[4]基于暗通道先驗(yàn)原理的圖像去霧研究[D]. 陳新富.浙江理工大學(xué) 2015



本文編號：3295895