本文關(guān)鍵詞：固定翼無人機(jī)地面車輛目標(biāo)自動(dòng)檢測(cè)與跟蹤　出處：《中國(guó)科學(xué)院國(guó)家空間科學(xué)中心》2017年博士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 無人機(jī) 小目標(biāo) 檢測(cè)與跟蹤 目標(biāo)特性 機(jī)器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) ARM

【摘要】：目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺方向的重要研究領(lǐng)域,而無人機(jī)地面目標(biāo)自動(dòng)檢測(cè)與跟蹤在偵查、預(yù)警等領(lǐng)域均具有重要作用及戰(zhàn)略需求。在這些應(yīng)用場(chǎng)景中,地面目標(biāo)在視場(chǎng)中一般尺寸較小,現(xiàn)有的檢測(cè)算法對(duì)于小目標(biāo)而言仍然比較乏力。無人機(jī)在進(jìn)行目標(biāo)跟蹤的初始階段,目標(biāo)由于距離較遠(yuǎn),在視場(chǎng)中尺寸過小(目標(biāo)像素尺寸小于10×10),僅有邊緣信息和少量甚至缺失的紋理信息,給目標(biāo)檢測(cè)與跟蹤帶來極大挑戰(zhàn)。此外,小型固定翼無人機(jī)地面目標(biāo)檢測(cè)與跟蹤還面臨著背景環(huán)境復(fù)雜、視場(chǎng)變化劇烈、干擾物多等諸多難題。本論文主要研究小型固定翼無人機(jī)對(duì)車輛小目標(biāo)的自動(dòng)檢測(cè)與跟蹤方法。本文首先介紹了目前國(guó)內(nèi)外的無人機(jī)目標(biāo)檢測(cè)與跟蹤系統(tǒng)的研究和發(fā)展現(xiàn)狀,跟緊趨勢(shì)找出不足;同時(shí)算法層面上,分析了國(guó)內(nèi)外目標(biāo)檢測(cè)、跟蹤算法的發(fā)展趨勢(shì),找尋算法的難點(diǎn)和待突破的地方,從而為本篇論文的研究?jī)?nèi)容奠定方向。論文提出了一種基于目標(biāo)特性的微小目標(biāo)檢測(cè)方法,通過一種融合了梯度響應(yīng)的顯著性檢測(cè)來提取候選目標(biāo),同時(shí)引入局部敏感直方圖特征,有效解決室外環(huán)境光照條件復(fù)雜變化的難題。將視場(chǎng)中相應(yīng)像素位置的候選目標(biāo)尺寸與固定翼無人機(jī)的位姿信息耦合起來,可以有效排除偽目標(biāo)。對(duì)HOG特征進(jìn)行傅里葉分析,生成具有旋轉(zhuǎn)不變特性的FHOG特征,聯(lián)合FHOG與LBP這兩種旋轉(zhuǎn)不變特征,充分利用小目標(biāo)寶貴的邊緣特征和極少量的紋理特征,將目標(biāo)的檢測(cè)問題轉(zhuǎn)換為對(duì)候選目標(biāo)的分類確認(rèn)問題,同時(shí)大大減小了逐像素遍歷搜索帶來的巨大運(yùn)算量,實(shí)現(xiàn)算法的實(shí)時(shí)性。訓(xùn)練時(shí)加入難樣本挖掘重訓(xùn)練,將目標(biāo)檢測(cè)的精度提升10.23%。本文研究比較了最新的卷積神經(jīng)網(wǎng)絡(luò)在小目標(biāo)檢測(cè)中的應(yīng)用,并分析其不足和原因,在負(fù)樣本選取和難樣本重訓(xùn)練上進(jìn)行了優(yōu)化和改進(jìn),有效解決了復(fù)雜背景下各種干擾物對(duì)小目標(biāo)檢測(cè)的影響,優(yōu)化后的Faster R-CNN較原有默認(rèn)參數(shù)在VEDAI數(shù)據(jù)庫小目標(biāo)的檢測(cè)精度上高出40%多。另外提出一種基于目標(biāo)特性的神經(jīng)網(wǎng)絡(luò)檢測(cè)方法,對(duì)VEDAI航拍車輛數(shù)據(jù)庫精度達(dá)85.34%。在檢測(cè)到目標(biāo)后,采用基于KCF的時(shí)空上下文目標(biāo)跟蹤方法實(shí)現(xiàn)對(duì)小目標(biāo)的實(shí)時(shí)跟蹤,固定翼無人機(jī)采用嵌入式ARM平臺(tái),基于嵌入式linux進(jìn)行算法移植,實(shí)現(xiàn)對(duì)地面車輛目標(biāo)的實(shí)時(shí)自動(dòng)檢測(cè)和跟蹤。通過固定翼無人機(jī)在復(fù)雜背景環(huán)境下航拍模飛進(jìn)行目標(biāo)檢測(cè)和跟蹤試驗(yàn),并且在公開數(shù)據(jù)集上比較驗(yàn)證算法。論文在多種場(chǎng)景下進(jìn)行固定翼無人機(jī)模飛,盡可能多地模擬各種環(huán)境,驗(yàn)證算法的魯棒性,同時(shí)在公開數(shù)據(jù)集上與目前state-of-the-art算法橫向比較。通過試驗(yàn)分析驗(yàn)證了基于目標(biāo)特性的微小目標(biāo)檢測(cè)算法、基于FHOG+LBP聯(lián)合旋轉(zhuǎn)不變特征的目標(biāo)檢測(cè)算法以及適用于小目標(biāo)檢測(cè)的神經(jīng)網(wǎng)絡(luò)方法,以及基于KCF的時(shí)空上下文目標(biāo)跟蹤方法,最后實(shí)現(xiàn)了相關(guān)算法的嵌入式平臺(tái)移植。
[Abstract]:Target detection and tracking is an important research direction of computer vision, and UAV automatic target detection and tracking in the investigation, has an important role and strategic demand early warning and other fields. In these scenarios, the ground target in the generally smaller field of view, the existing detection algorithm for small targets is still relatively weak. In the initial stage of the UAV target tracking target, because of distance, the size is too small in the field of view (the target pixel size is less than 10 * 10), only little or lack of edge information and texture information, bring great challenge to the target detection and tracking. In addition, small fixed wing UAV Ground Target Detection and tracking is facing the complex background environment, multiple field change, and many other problems. This paper mainly studies the small fixed wing UAV vehicle target automatic detection and with Trace method. This paper introduces the research and development status of UAV target detection and tracking system at home and abroad at present, and find out the trend of tight; at the same time the algorithm level, analyzes the domestic and international development trend of target detection, tracking algorithm, algorithm and difficult to place to find a breakthrough, so this thesis the research content lay direction. This paper presents a small target detection method based on target characteristic, was detected by a combination of the gradient response to extract candidate targets, while the introduction of local sensitive histogram, effectively solve the problem of complex outdoor environment illumination condition changes. The candidate target size and pixel position corresponding fixed wing the field of UAV pose information coupling, can effectively eliminate false targets. Fourier analysis of HOG features, generate rotation invariant features of FHOG. Sign, combined with FHOG and LBP these two kinds of rotation invariant features, make full use of edge features of small targets valuable and very little texture features, converting the detection target to confirm the classification of candidate targets, and greatly reduces the pixel traversal search brings huge computational complexity, real-time implementation of the algorithm training. When added to sample mining heavy training application will enhance the precision of detection of 10.23%. in this study compared the convolutional neural network is the latest in small target detection, and analyze the problems and causes, in the negative sample selection and sample weight training to optimized and improved, effectively solves the influence of various complex interference under the background of small target detection, the optimized Faster R-CNN detection accuracy than the original default parameters in the VEDAI database of small targets on more than 40% higher. In addition we propose a target characteristics based on God The network detection method of VEDAI aerial vehicle database to the target in the detection accuracy of 85.34%., the temporal spatial context target KCF tracking method to achieve real-time tracking of small target based on fixed wing UAV Based on embedded ARM platform based on Embedded Linux algorithm transplantation, real-time automatic detection and tracking of ground vehicles. Through the fixed wing UAV in complex background aerial flight simulation for target detection and tracking test and verification algorithm. In the open data set in a variety of scenarios for fixed wing UAV flight simulation, as much as possible to simulate all kinds of environment, the robustness of the algorithm is verified, and in the public data set with the current state-of-the-art algorithm horizontal comparison. Through experimental analysis verified the small target detection algorithm based on the characteristics of target, FHOG+LBP combined with rotation invariant features based on The target detection algorithm and the neural network method suitable for small target detection, as well as the spatio-temporal context tracking method based on KCF, are finally implemented. Finally, the embedded platform transplantation of related algorithm is realized.

【學(xué)位授予單位】：中國(guó)科學(xué)院國(guó)家空間科學(xué)中心
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;V279

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王旭輝;劉云猛;裴浩東;;基于嵌入式圖像處理平臺(tái)的實(shí)時(shí)多目標(biāo)識(shí)別算法[J];科學(xué)技術(shù)與工程;2014年03期

2 朱峰,竇麗華,楊國(guó)勝,陳文頡;基于異類傳感器的戰(zhàn)場(chǎng)運(yùn)動(dòng)目標(biāo)識(shí)別算法[J];北京理工大學(xué)學(xué)報(bào);2002年03期

3 孔剛,張啟衡,許俊平;一種復(fù)雜背景下運(yùn)動(dòng)擴(kuò)展目標(biāo)識(shí)別算法[J];儀器儀表學(xué)報(bào);2005年S1期

4 劉祥林;;復(fù)雜地面背景下多目標(biāo)的檢測(cè)和識(shí)別[J];飛航導(dǎo)彈;1988年08期

5 康鵬;現(xiàn)代防空系統(tǒng)中目標(biāo)識(shí)別算法研究之一[J];現(xiàn)代防御技術(shù);1998年01期

6 黨二升;李麗;;激光探測(cè)“貓眼”效應(yīng)目標(biāo)識(shí)別算法[J];航空科學(xué)技術(shù);2011年06期

7 梁偉;崔寧;孟東起;;一種基于復(fù)合匹配的目標(biāo)識(shí)別算法[J];彈箭與制導(dǎo)學(xué)報(bào);2008年02期

8 宋皓;徐小紅;;基于生物視覺通路的目標(biāo)識(shí)別算法[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

9 潘秀琴,侯朝楨,蘇利敏;一種新的基于分形特征融合的圖像目標(biāo)識(shí)別算法(英文)[J];Journal of Beijing Institute of Technology(English Edition);2002年04期

10 聶振鋼;張曉林;;一種新的無人機(jī)監(jiān)控圖像實(shí)時(shí)目標(biāo)識(shí)別算法[J];遙測(cè)遙控;2007年02期

相關(guān)會(huì)議論文 前5條

1 徐小琴;;多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別算法綜述[A];2006年全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

2 孔剛;張啟衡;許俊平;;一種復(fù)雜背景下運(yùn)動(dòng)擴(kuò)展目標(biāo)識(shí)別算法[A];第三屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

3 常青;;分形特征目標(biāo)識(shí)別算法[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

4 王明芬;李翠華;;基于形狀外觀的海面目標(biāo)識(shí)別算法[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

5 王偉明;;一種使用并行黑板模型仿真系統(tǒng)實(shí)現(xiàn)的基于知識(shí)的圖象目標(biāo)識(shí)別算法[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];1999年

相關(guān)博士學(xué)位論文 前10條

1 張抒;可視目標(biāo)檢測(cè)與分割關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2015年

2 徐培;基于少量樣本的快速目標(biāo)檢測(cè)與識(shí)別[D];電子科技大學(xué);2014年

3 竇建方;視頻圖像處理中的關(guān)鍵技術(shù)研究[D];上海交通大學(xué);2014年

4 劉明;基于流形學(xué)習(xí)與稀疏描述的SAR目標(biāo)識(shí)別算法研究[D];西安電子科技大學(xué);2015年

5 李大偉;固定翼無人機(jī)地面車輛目標(biāo)自動(dòng)檢測(cè)與跟蹤[D];中國(guó)科學(xué)院國(guó)家空間科學(xué)中心;2017年

6 喻曉源;基于特征學(xué)習(xí)的目標(biāo)檢測(cè)、跟蹤、識(shí)別算法研究[D];華中科技大學(xué);2014年

7 于加其;基于激光成像雷達(dá)距離像的地面目標(biāo)識(shí)別算法研究[D];北京理工大學(xué);2015年

8 嚴(yán)忠貞;內(nèi)河在航船舶動(dòng)態(tài)跟蹤和航跡融合方法研究[D];武漢理工大學(xué);2013年

9 張兵;光學(xué)圖像末制導(dǎo)中的點(diǎn)目標(biāo)檢測(cè)與識(shí)別算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2005年

10 汪洋;極化合成孔徑雷達(dá)圖像處理及其應(yīng)用研究[D];安徽大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 韓衛(wèi)潔;入侵報(bào)警系統(tǒng)中振動(dòng)源的目標(biāo)識(shí)別算法研究[D];長(zhǎng)安大學(xué);2015年

2 曾誠(chéng)宇;基于時(shí)序光度信號(hào)的目標(biāo)衛(wèi)星狀態(tài)特性估計(jì)[D];哈爾濱工業(yè)大學(xué);2015年

3 閆曉敏;智能監(jiān)控視頻中的目標(biāo)檢測(cè)、識(shí)別與跟蹤算法研究[D];電子科技大學(xué);2015年

4 黃浩;雙波段紅外成像目標(biāo)檢測(cè)與識(shí)別方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

5 曹昊然;基于LLE與HMM的飛機(jī)序列目標(biāo)識(shí)別算法研究[D];東南大學(xué);2015年

6 季康;基于多分類器融合的多視點(diǎn)飛機(jī)目標(biāo)識(shí)別算法研究[D];南昌航空大學(xué);2016年

7 宮世杰;視頻監(jiān)控中基于ICP算法的多目標(biāo)跟蹤技術(shù)研究與實(shí)現(xiàn)[D];山東大學(xué);2016年

8 周小龍;具有旋轉(zhuǎn)與尺度不變性的多目標(biāo)識(shí)別算法研究與應(yīng)用[D];暨南大學(xué);2016年

9 姜化冰;探地雷達(dá)地下空洞目標(biāo)探測(cè)研究[D];哈爾濱工業(yè)大學(xué);2016年

10 丁文靜;多傳感器信息融合目標(biāo)識(shí)別算法研究[D];江南大學(xué);2016年

，

本文編號(hào)：1368205