基于无人机图像的车辆目标识别方法研究与实现

发布时间：2020-10-14 14:31

　　 目标识别一直以来都是计算机视觉里的研究热点与难点。无人机图像中的车辆目标识别在民用与军用领域都具有极其重要的价值。在无人机图像中的车辆目标一般比较小,目标经过网络运算以后细节信息丢失严重,造成了现有的识别算法对无人机图像中的车辆目标的识别效果较差。本论文主要研究无人机图像中的车辆目标识别方法,以目前目标识别领域最具有代表性的两种算法为基础,针对本论文数据集的特点对算法进行改进。本论文的主要工作包括以下几个部分。(1)构建了一个大规模的基于无人机图像的车辆目标识别数据集。带有目标类别标签与目标位置的大规模数据集是运用深度学习进行目标识别的基础与核心。本论文构建的无人机图像数据集总共包括1978张图片,总共包括将近10万个车辆目标。(2)以Region-based Convolution Neural Networks(Faster RCNN)网络为基础,针对本论文中的无人机图像中的车辆目标识别进行改进。原始的Faster RCNN对无人机图像中的小的车辆目标的识别效果较差,尤其是其中的不完整目标。本论文使用不同的anchor组合,选取最优的anchor大小与个数,使得网络的检测AP值提高了8.0%;然后又针对网络对小目标的运算造成细节信息丢失的问题,在网络中增加了多层特征融合,使得网络的检测AP值提高2.1%。改进后的网络的测试AP总共提高10.1%,精度从80.5%提高到了90.6%,但是因为增加了anchor个数的原因,改进后的网络识别的速度略有下降。(3)以You Look Only Once(YOLO)网络为基础,针对本论文中的无人机图像中的车辆目标识别进行改进。本论文使用的是YOLO的v3版本,其对本论文中的无人机图像中的不完整目标与部分完整目标存在漏检。本论文使用K-means++算法对训练数据集的Ground Truth进行k=9的聚类,将聚类中心作为网络的初始框,改善了网络对小目标的漏检,使得网络的检测AP值提高了4.31%;使用Soft Non-Maximum Suppression(Soft-NMS)算法对Non-Maximum Suppression(NMS)算法进行改进,改善了NMS算法对部分完整目标的错误抑制问题,使得网络的AP值提高了1.17%。改进后的网络整体AP值提高了5.48%。本论文还使用了COWC、VEDAI与中科院CAR等三个数据集对Faster RCNN与YOLOv3网络进行了鲁棒性验证与对比。YOLOv3网络的优势是识别的精度与速度,Faster RCNN的优势在于网络的鲁棒性更好。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;U495;E91
【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状与研究方法
        1.2.1 基于图像分割的目标检测方法
        1.2.2 基于帧差的目标检测方法
        1.2.3 基于深度学习的目标检测方法
    1.3 主要研究内容
    1.4 论文组织结构
    1.5 本章小结
第二章 深度学习目标识别理论与数据集构建
    2.1 深度学习基础理论知识
        2.1.1 卷积神经网络
        2.1.2 激活函数
        2.1.3 基于SGD的 softmax求解
    2.2 数据采集与数据集构建
        2.2.1 无人机系统简介
        2.2.2 数据采集过程与数据扩充
        2.2.3 数据集构建
    2.3 本章小结
第三章 面向小目标检测的Faster RCNN网络优化
    3.1 Faster RCNN算法简介
        3.1.1 区域推荐网络RPN
        3.1.2 Fast RCNN架构
        3.1.3 RPN和 Fast RCNN共享特征
    3.2 Faster RCNN针对小型密集目标检测的优化
        3.2.1 实验平台介绍
        3.2.2 Faster RCNN网络的实验结果
        3.2.3 Faster RCNN 模型的改进与实验
    3.3 实验结果分析
    3.4 本章小结
第四章 面向小目标检测的YOLO网络优化
    4.1 YOLO网络简介
    4.2 YOLOv3 网络
        4.2.1 YOLOv2 网络改进细节
        4.2.2 YOLOv3 网络改进细节
        4.2.3 YOLOv3 网络的实验结果
    4.3 YOLO网络针对小型密集目标检测的优化
        4.3.1 K-means++算法简介
        4.3.2 Soft-NMS算法简介
        4.3.3 改进后的 YOLOv3 算法及实验
    4.4 实验结果分析
    4.5 网络的鲁棒性验证
    4.6 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果

【参考文献】

相关博士学位论文 前3条

1 李大伟;固定翼无人机地面车辆目标自动检测与跟踪[D];中国科学院大学(中国科学院国家空间科学中心);2017年

2 王海罗;基于视觉感知的无人机目标识别与跟踪技术研究[D];北京理工大学;2015年

3 王宁;基于粒子滤波的视觉目标跟踪方法关键技术研究[D];华中科技大学;2013年

本文编号：2840790