动态场景下无人机小目标检测

发布时间：2020-08-21 16:55

【摘要】：近年来,无人机的快速发展对公共安全、个人隐私和军事安全等方面产生了严重的威胁,无人机造成的危险事故在迅速增长。因而,快速而可靠地发现无人机变得越来越重要。在现有的无人机检测技术中,基于视觉的方法成本低且易实施。因此,研究基于视觉的无人机检测技术对于预防无人机的威胁具有重要意义。但是,该任务同样面临诸多的挑战,例如背景复杂、目标小、飞行速度快等。针对这些因素导致的检测准确率不高的问题,本课题主要研究动态场景下无人机小目标检测技术,具体包括以下两个方面工作:第一,本文首先提出了一种基于视频运动信息的无人机小目标检测的方法。该方法主要研究动态场景下利用无人机在视频中的运动信息进行无人机检测的问题。首先,针对摄像机运动会对挖掘无人机运动信息造成困难的问题,本文采用一种基于特征匹配的视频稳像方法来消除摄像机的运动。然后,利用矩阵低秩分析的方法检测得到无人机候选目标。最后,利用卷积神经网络(CNN)提取候选目标的特征并输入支持向量机(SVM),进一步分类得到真正的无人机目标。大量实验表明,相比现有目标检测方法,本文提出的算法有更高的准确率。同时,该方法也存在一些不足。比如,视频稳像算法无法完全消除摄像机运动,SVM可能会将很小的目标判断为虚假目标。此外,该方法的时间开销过大,无法满足实时性要求。第二,针对第一个工作的不足,本文提出一种基于单帧图像的无人机小目标检测方法。受区域卷积神经网络(R-CNN)在目标检测中成功应用的启发,本文设计了一种特征融合网络,并将其融入Faster R-CNN网络框架。不同于Faster R-CNN只利用了最后一层特征,本文提出的特征融合网络融合了各网络层抽取的特征。融合特征同时具有低层和高层特征的优势,因而能较好地检测多尺度目标。为了滤除虚假的无人机目标,最后利用最近邻距离匹配的方法对无人机进行跟踪。实验表明,本文方法与第一个工作的方法以及Faster R-CNN、SSD等最新对比方法相比,能有效地提高无人机目标检测准确率并且时间开销较小。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：V279;E926.4
【图文】：

示意图,动态场景,小目标,示意图

图 2.1 本文动态场景的示意图2.2.2 当前对小目标的定义至今为止，还没有关于小目标的任何清晰而标准的定义。但是，为了研究小目标检测这一任务，国内外研究者主要公布各种对小目标的定义或是直接公开发表小目标检测数据集，而不是根据目标的检测矩阵框(BoundingBox)来定义目标是否是小目标。例如，文献[29]认为在发布关于交通标志的数据集时，应将大小占整幅图像大小20%以下的目标认为是小目标。而如果该小目标是矩形的，它的长宽都应分别小于图像长宽的。在文献[30]中，Torralba 等作者提出将小目标定义为像素大小小于或等于32 32的目标。文献[31]公布了一种小目标数据集，该数据集将目标区域与整幅图像区域的重叠部分占图像面积0.08%到0.58%之间的目标看作小目标，即在该数据集中，像素大小占约16 16到42 42的目标被认为是小目标。

示意图,稳像,视频,小目标

绗宦畚?第 2 章无人机小目标检测相关技术基础9图 2.1 本文动态场景的示意图2.2.2 当前对小目标的定义至今为止，还没有关于小目标的任何清晰而标准的定义。但是，为了研究小目标检测这一任务，国内外研究者主要公布各种对小目标的定义或是直接公开发表小目标检测数据集，而不是根据目标的检测矩阵框(BoundingBox)来定义目标是否是小目标。例如，文献[29]认为在发布关于交通标志的数据集时，应将大小占整幅图像大小20%以下的目标认为是小目标。而如果该小目标是矩形的，它的长宽都应分别小于图像长宽的。在文献[30]中，Torralba 等作者提出将小目标定义为像素大小小于或等于32 32的目标。文献[31]公布了一种小目标数据集，该数据集将目标区域与整幅图像区域的重叠部分占图像面积0.08%到0.58%之间的目标看作小目标，即在该数据集中，像素大小占约16 16到42 42的目标被认为是小目标。由于文献[30]和[31]被其他研究者广泛接受

最优分离超平面

中甚至包含了成千上万的参数。过程十分漫长而困难，一般需要五到十征；而深度学习特征可以针对新的研究问以节约人力和资源的巨大投入。种有监督的二分类模型学习方法。它的面，这个超平面能将输入样本间隔最大化分为硬间隔和软间隔最大化，它们分别用过程中。图 2.3 给出了支持向量机中最优据被表示为“○”，另一类数据被表示为

【相似文献】