移动多目标无线激光靶场关键技术研究与实现

发布时间：2021-04-18 09:43

　　随着计算机技术和信息技术的不断发展,针对高校新生入学军训,中小学生升学军训或社会实践,基层部队和公安的射击训练,各种国防教育基地,爱国主义教育场馆,军事训练及军事主题娱乐场馆等所需要的各种不同场景下的激光模拟射击打靶系统的需求,设计了基于图像处理的移动多目标无线激光靶场系统。本文所研究的系统具有成本低、安全、实用等优势,具有很好的应用前景,并满足射击的准确性与实时性等需求。本文主要研究内容如下:（1）分析了目前激光打靶系统及其相关技术的现状,结合模拟激光打靶的特点和系统需求设计了系统整体框架,并详细阐述了系统的各个模块和移动多目标定位等关键技术的思想与工作流程。（2）针对射击训练中移动多靶位准确定位的需求,研究了一种基于FAsT-Match算法的多靶位定位方法。该算法能够适应平移、缩放、旋转等二维仿射变换的图像,并对图像的光照不敏感,对背景中的噪声等有良好的抗干扰性。对得到的仿射变换矩阵采用模糊C均值聚类算法聚类,达到定位多个靶位目标的目的。（3）对于移动的靶位,摄像机采集的是靶位图像的帧序列。针对复杂环境下的射击训练,结合深度学习思想研究了基于卷积神经网络的移动的多靶位定位方法。先建... 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

给定阈值=0.2的定位结果

步骤3）所设定的阈值对目标图像的定位有很大的影响。所给定的阈值为 的正常数倍。给定的阈值 <0.25时，算法有可能找不出目标图像中全部的目标，如图3.4中漏掉了右边的靶位目标；给定阈值 >0.35时，算法可能会匹配其他非目标区域形成干扰目标，如图3.5所示，框定了非目标区域；其中图3.4、图3.5是参数 =0.25下的实验结果。阈值过大或者过小直接导致聚类算法无法将c个目标聚类出来，其结果要么漏掉目标无法全部找出或者找出非目标区域形成干扰目标，不能准确的定位多靶位。通过实验发现， =0.30时，能保证程序能找到目标图像中全部目标。设置过小，那么决定仿射变换矩阵的参数网络就越大，算法程序运行的时间就越长；反之 设置过大时，参数网络小，算法精确降低。 设置太大时，采样点数越少，算法程序运行时间快

图 3.7 不同参数程序运行时间对比T 与 K-均值聚类的对比的算法为基于 SIFT 特征匹配与 k 均值聚类算法。由于要础上改进以适应多靶位场景。同样我们设置的参数是上下面是实验结果的对比。a)FMFCC方法 b)对比试验1

【参考文献】：
期刊论文
[1]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[2]分数阶的Zernike矩[J]. 杨建伟,金德君,卢政大.  计算机辅助设计与图形学学报. 2017(03)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[5]目标跟踪技术综述[J]. 高文,朱明,贺柏根,吴笑天.  中国光学. 2014(03)
[6]基于SURF和快速近似最近邻搜索的图像匹配算法[J]. 赵璐璐,耿国华,李康,何阿静.  计算机应用研究. 2013(03)
[7]基于SIFT特征匹配与K-均值聚类的运动目标检测[J]. 李广,冯燕.  计算机应用. 2012(10)
[8]改进的尺度不变特征转换精确图像匹配在电力设备目标定位中的应用[J]. 侯一民,邸建铭.  中国电机工程学报. 2012(19)
[9]基于区域模板匹配的多目标实时跟踪[J]. 林月贡,何小海,张生军.  计算机仿真. 2011(01)
[10]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强.  系统仿真学报. 2010(03)

硕士论文
[1]基于稀疏编码与机器学习的图像内容识别算法研究[D]. 唐峰.上海交通大学 2011
[2]基于神经网络的目标靶板边缘检测技术研究[D]. 孙益.电子科技大学 2005



本文编号：3145261