基于深度学习的无人机俯拍车辆的检测与识别
发布时间：2022-04-28 23:38
车辆目标检测技术是指在不同背景的图像数据集中,通过特征提取方式,对图像中所含车辆进行检测识别的过程。而基于深度学习的车辆目标检测技术在目标检测准确率与速率方面显示出明显的优势。随着科技的发展,对无人机俯拍图像中所含车辆进行检测与识别,成为一个重要的应用研究方向。本文对基于深度学习的无人机俯拍车辆的检测与识别进行研究,并针对YOLOv3算法中无人机俯拍车辆中不完整的车辆目标不能被识别、距离较近的车辆被漏检问题,提出基于锚点的无人机俯拍车辆候选框生成算法和基于非线性函数极大值抑制的无人机俯拍车辆预测框生成算法。本文所取得的成果包括以下几个方面:首先,针对无人机俯拍车辆中不完整车辆不能被检测的问题,提出了基于锚点的无人机俯拍车辆候选框生成算法。该算法首先对锚点的选取进行优化,然后通过分析得到距离函数,利用该函数去计算初始锚点与车辆数据样本点中的距离,进而得到所有锚点。接下来预测锚点框在四个方向上的移动幅度,并使用sigmoid函数控制其移动幅度在一定范围内。该算法提高了车辆检测网络对一些不完整的车辆准确识别的概率。其次,针对无人机俯拍车辆相距较近的多个车辆中某个车辆被漏检的问题,提出了基于非...
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究的背景和意义
1.2 国内外研究现状
1.2.1 传统目标检测国内外研究现状
1.2.2 深度学习目标检测国内外研究现状
1.3 研究的目标和内容
1.4 本文组织结构
第2章 深度学习车辆检测相关技术研究
2.1 卷积神经网络
2.1.1 卷积神经网络结构
2.1.2 卷积神经网络相关技术与算法原理
2.1.3 卷积网络实现车辆检测算法
2.2 YOLOv3 网络
2.2.1 YOLO系列网络改进与演变
2.2.2 YOLOv3 网络结构与技术
2.2.3 YOLOv3 车辆检测与识别算法
2.3 无人机俯拍车辆数据集构造
2.4 本章小结
第3章 无人机俯拍车辆候选框生成算法的研究
3.1 无人机俯拍车辆候选框生成算法
3.2 基于锚点的无人机俯拍车辆候选框生成算法
3.2.1 车辆锚点选取
3.2.2 车辆锚点框生成
3.2.3 车辆候选框生成
3.3 车辆数据预处理
3.3.1 车辆图像变换与增强
3.3.2 车辆图像平滑
3.4 本章小结
第4章 无人机俯拍车辆预测框生成算法的研究
4.1 无人机俯拍车辆预测框生成算法
4.2 基于非线性函数极大值抑制的无人机俯拍车辆预测框生成算法
4.2.1 算法流程设计
4.2.2 算法的基本原理与实现
4.3 置信度分数优化
4.3.1 网络结构设计
4.3.2 多层卷积特征融合与分析
4.4 本章小结
第5章 实验结果与分析
5.1 无人机俯拍车辆检测指标
5.2 原始YOLOv3 网络实验结果与分析
5.3 改进的YOLOv3 网络实验结果与分析
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文和获得的科研成果
致谢
【参考文献】：
期刊论文
[1]基于非凸低秩分解判别的叠加线性稀疏人脸识别[J]. 叶学义,罗宵晗,王鹏,陈慧云. 中国图象图形学报. 2019(08)
[2]一种基于两阶段深度学习的集成推荐模型[J]. 王瑞琴,吴宗大,蒋云良,楼俊钢. 计算机研究与发展. 2019(08)
[3]基于YOLOv3算法的农场环境下奶牛目标识别[J]. 王毅恒,许德章. 广东石油化工学院学报. 2019(04)
[4]多层感知器自监督在线修正的道路识别算法[J]. 宫金良,孙晓峰,张彦斐. 交通运输系统工程与信息. 2019(04)
[5]基于深度学习的实时图像目标检测系统设计[J]. 李林,张盛兵,吴鹃. 计算机测量与控制. 2019(07)
[6]基于深度学习的目标检测算法[J]. 葛雯,宫婷,王媛,胡爱玲. 微处理机. 2019(03)
[7]基于机器视觉的无人机识别系统算法分析[J]. 彭文亮,梁祝,李智峰. 电子设计工程. 2019(11)
[8]基于卷积神经网络及特征提取的面部表情识别算法[J]. 王怡文. 电脑知识与技术. 2019(16)
[9]基于优化BP神经网络的图像分割实现[J]. 魏光杏,周献中. 佳木斯大学学报(自然科学版). 2019(03)
[10]基于深度多视图特征距离学习的行人重识别[J]. 邓轩,廖开阳,郑元林,袁晖,雷浩,陈兵. 计算机应用. 2019(08)
本文编号：3649763
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究的背景和意义
1.2 国内外研究现状
1.2.1 传统目标检测国内外研究现状
1.2.2 深度学习目标检测国内外研究现状
1.3 研究的目标和内容
1.4 本文组织结构
第2章 深度学习车辆检测相关技术研究
2.1 卷积神经网络
2.1.1 卷积神经网络结构
2.1.2 卷积神经网络相关技术与算法原理
2.1.3 卷积网络实现车辆检测算法
2.2 YOLOv3 网络
2.2.1 YOLO系列网络改进与演变
2.2.2 YOLOv3 网络结构与技术
2.2.3 YOLOv3 车辆检测与识别算法
2.3 无人机俯拍车辆数据集构造
2.4 本章小结
第3章 无人机俯拍车辆候选框生成算法的研究
3.1 无人机俯拍车辆候选框生成算法
3.2 基于锚点的无人机俯拍车辆候选框生成算法
3.2.1 车辆锚点选取
3.2.2 车辆锚点框生成
3.2.3 车辆候选框生成
3.3 车辆数据预处理
3.3.1 车辆图像变换与增强
3.3.2 车辆图像平滑
3.4 本章小结
第4章 无人机俯拍车辆预测框生成算法的研究
4.1 无人机俯拍车辆预测框生成算法
4.2 基于非线性函数极大值抑制的无人机俯拍车辆预测框生成算法
4.2.1 算法流程设计
4.2.2 算法的基本原理与实现
4.3 置信度分数优化
4.3.1 网络结构设计
4.3.2 多层卷积特征融合与分析
4.4 本章小结
第5章 实验结果与分析
5.1 无人机俯拍车辆检测指标
5.2 原始YOLOv3 网络实验结果与分析
5.3 改进的YOLOv3 网络实验结果与分析
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文和获得的科研成果
致谢
【参考文献】：
期刊论文
[1]基于非凸低秩分解判别的叠加线性稀疏人脸识别[J]. 叶学义,罗宵晗,王鹏,陈慧云. 中国图象图形学报. 2019(08)
[2]一种基于两阶段深度学习的集成推荐模型[J]. 王瑞琴,吴宗大,蒋云良,楼俊钢. 计算机研究与发展. 2019(08)
[3]基于YOLOv3算法的农场环境下奶牛目标识别[J]. 王毅恒,许德章. 广东石油化工学院学报. 2019(04)
[4]多层感知器自监督在线修正的道路识别算法[J]. 宫金良,孙晓峰,张彦斐. 交通运输系统工程与信息. 2019(04)
[5]基于深度学习的实时图像目标检测系统设计[J]. 李林,张盛兵,吴鹃. 计算机测量与控制. 2019(07)
[6]基于深度学习的目标检测算法[J]. 葛雯,宫婷,王媛,胡爱玲. 微处理机. 2019(03)
[7]基于机器视觉的无人机识别系统算法分析[J]. 彭文亮,梁祝,李智峰. 电子设计工程. 2019(11)
[8]基于卷积神经网络及特征提取的面部表情识别算法[J]. 王怡文. 电脑知识与技术. 2019(16)
[9]基于优化BP神经网络的图像分割实现[J]. 魏光杏,周献中. 佳木斯大学学报(自然科学版). 2019(03)
[10]基于深度多视图特征距离学习的行人重识别[J]. 邓轩,廖开阳,郑元林,袁晖,雷浩,陈兵. 计算机应用. 2019(08)
本文编号：3649763
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3649763.html
