基于视觉的锥套目标检测跟踪算法研究

发布时间：2020-09-03 18:16

　　空中加油技术可以有效增强飞行器的续航作业能力,是空中力量的倍增器,对于提升有人机与无人机作战能力有着至关重要的作用。目前,有人机的空中加油技术操作难度大、危险性高,通过飞行员的视觉感知无法准确实时地获取加油锥套的相对位置。为此,本文基于视觉的方法对加油锥套的检测跟踪问题展开研究。首先,论文基于直方图分割与级联特征分类方法研究了锥套目标检测算法。通过对传统目标检测算法实时性较差的问题,结合锥套的外形结构特点,提出了自适应阈值分割算法,利用目标的形状特征建立级联分类器,实现锥套候选区域的提取,采用HOG特征与SVM分类器建立锥套边缘特征描述模型,通过局部检测区域的修正算法,获取最终的目标检测区域,保证了锥套检测算法较高的实时性以及准确性。其次,论文研究了基于深度学习图像处理的加油锥套目标检测方法。通过分析传统方法在鲁棒性方面存在的不足,结合实时性较好的YOLO目标检测算法,提出了Dapper-YOLO目标检测算法,以提升目标检测的精度。对于目标较小的情况,论文提出了基于级联结构的Dappers-YOLO目标检测算法与分块检测算法相结合的方式,提升了小目标情况下的检测的精度与成功率。再次,论文研究了尺度自适应的锥套目标跟踪算法。通过分析相关跟踪存在尺度固定以及无法判断跟踪失败的问题,论文提出了基于特征点检测的尺度自适应相关跟踪算法框架,分别从传统图像处理与深度学习两个方向提出了基于极坐标转换的特征点检测与基于卷积神经网络的特征点检测两种方法,并结合相关跟踪算法与Dapper-YOLO目标检测网络实现高精度、高鲁棒性、高实时性的锥套目标跟踪算法。最后,论文根据搜集到的空中加油视频数据建立了多种场景的锥套目标检测跟踪测试数据集,并对数据集进行真实参考值的标注工作,分别从多个角度对论文提出的方法以及已有的相关方法进行算法性能测试评估。实验结果验证了论文所研究方法的有效性,对论文的研究工作具有重要的支撑作用。
【学位单位】：南京航空航天大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：V228.17;TP391.41
【部分图文】：

空中加油,场景图,受油机

加油设备的重量大、成本高，操作复杂，无法同时给多架受油机进行受油 1.1(a)所示；软式空中加油由受油机的飞行员控制受油机前方的受油探头与加油机锥套进行对接，软式空中加油相比硬式加油速度较慢，但具有设备体积小、结构简进行多架受油机的加油等优势，如图 1.1(b)所示。我国空军和海军通常采用软管式术，软管式空中加油过程可分为 5 个阶段：会和、编队、对接、加油以及退出。其尤为重要，是空中加油技术成败的关键。在对接阶段，要求加油机与受油机之间的持一致，同时实时获取加油锥套相对于受油探头的相对位置，且要求相对速度不能会导致飞机之间相撞，危险性极高，如图 1.1 中(c)、(d)所示。空中加油要求飞行员飞行技术以及反应能力，同时还需要进行大量的训练，操作难度和危险性系数极高(a) 硬式空中加油 (b) 软式空中加油

算法结构,目标检测

Adaboost、DPM、RF(random forest)模型等。图 1.2 传统目标检测的 3 个阶段随着大量公开数据集的发布以及深度学习的崛起，目标检测与识别的精度得到不断深度学习的目标检测算法得到了广大研究者们的关注。卷积神经网络便是深度学习目标检测方面的主要体现。卷积神经网络[43]在目标检测方面的应用[44-47]主要分为两类：基于区域建议的目标 R-CNN[48]、Fast R-CNN[49]、Faster R-CNN[50]等；基于回归的目标检测算法，如 YOLO53]等。其中基于区域建议的目标检测算法采用两步式解决方案，首选获取候选的目标对候选的目标区域进行识别以及区域回归操作实现最终目标区域的输出。R-CNN 采索法(selective search proposal，SSP)根据纹理产生大量的目标候选区域，然后对每个行裁剪缩放，输入至 R-CNN 卷积神经网络获取卷积网络的输出特征，根据 SVM 分标区域的类别，根据线性回归器修正目标区域的尺寸位置信息。算法结构图如图 1.3

特征图,算法结构,卷积

南京航空航天大学硕士学位论文Fast R-CNN 将候选区域通过卷积网络映射到输出的特征图中，通过对全局图像做一运算即可获得所有候选区域的卷积网络特征；通过 ROI Pooling 层实现候选区域特替代对候选区域的缩放操作；将目标类别的判断以及目标区域的回归操作通过 softm连接的方式与网络结构进行串联，实现了更加便捷的训练处理。算法结构图如图 1.4

【相似文献】