改进DCNN算法及其在无人机目标识别中应用

发布时间：2020-10-22 04:54

　　 深度学习在无人机感知与规避中的研究是近些年来的热门方向。利用深度学习的方法对无人机视觉范围内捕捉到的画面进行分析,能够更好的感知周围的环境,有效地规避障碍物以及规划更优的航迹路线。本文研究分析了深度学习在图像分类、目标检测、人脸识别、人脸关键点检测的发展过程及其应用。对现有深度学习算法进行了改进,并应用于无人机目标识别,取得了较好的成果。本文主要研究内容为以下几个方面:(1)在深度卷积神经网络(DCNN)的基础上,对经典的深度残差网络进行改进,提出了一种多捷联式残差网络模型。将两层残差学习模块与三层残差学习模块结合使用,设计出一种占用内存更小、时间复杂度更低的多捷联式残差网络模型(Mu-ResNet)。通过搭建多种不同深度的多捷联式残差网络进行实验研究,在cifar10数据集上进行分类训练,最终测试结果显示Mu-ResNet的整体性能较ResNet有所提升,且加深网络也未出现退化现象。(2)对经典的区域建议网络(RPN)进行改进,提出一种级联区域建议网络(CRPN)的搜索模式。将设计出的级联区域建议网络(CRPN)与多捷联式残差网络(Mu-ResNet)结合。由于级联区域建议网络对不同大小尺寸的特征图进行区域搜索,大大减小了计算量,并且对图像中小目标检测的效果更好。采用MuResNet与CRPN结合的网络模型在无人机目标数据集以及PASCAL VOC数据集上进行多目标识别测试,较使用ResNet与RPN结合的网络模型,识别准确率得到了较大的提升。(3)对人脸识别和人脸关键点检测的特性,在多捷联式残差网络和级联区域建议网络的基础上,设计出了一种基于特征点修正的人脸识别算法,对目标分类识别中检测到的行人进行细分类(人脸识别)。该算法将人脸识别与人脸关键点检测用同一个卷积神经网络完成,且通过检测出的关键点位置修正人脸识别框,实验表明我们的算法在FDDB数据集上能得到更好的识别准确率,召回率和关键点的平均误差。在无人机目标数据集中对行人的人脸识别也取得了较好的效果。本文所提出的各种算法均采用Matlab、python以及C/C++语言在内存为8g的GPU的计算机下开发和调试。无人机目标检测数据集为大量无人机航拍图像,算法除了在自己的采集的数据集上完成仿真实验,也在公开数据集(cifar10、PASCAL VOC、FDDB等)上进行了验证。算法在数据集上具有较高的准确性以及实时性是本文所关注的两个重要衡量指标,在每一章的实验部分都测试了算法的实时性与准确性,最终在大量数据集上的测试都达到了预期的实验效果。
【学位单位】：南昌航空大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：V279;TP183;TP391.41
【部分图文】：

图 1-1AlexNet 网络模型 VGG16 网络再一次刷新了图像分类的准度卷积神经网络有了更新的认识。AlexNe的网络，但是网络层数只有7层，并不是非突然骤增至 16 层，打破了人们以往对神果。VGG16 网络模型如图 1-2 所示。

图 1-1AlexNet 网络模型后 VGG16 网络再一次刷新了图像分类的准确率深度卷积神经网络有了更新的认识。AlexNet 虽就的网络，但是网络层数只有7层，并不是非常深数突然骤增至 16 层，打破了人们以往对神经网效果。VGG16 网络模型如图 1-2 所示。

5图 1-3 残差网络结构别机器视觉中一个长期存在,且具有挑战性的任务跃领域[22]。目标检测的最终目的是确定某些给的目标（例如行人、车辆、自行车、房屋和无人目标在图像空间种的位置和范围（即返回预测边觉的基石，目标识别是解决更复杂或更高级视觉景理解、目标跟踪、图像字幕识别、行为预测、标识别在许多人工智能和信息技术领域有广泛的子、安全、自动驾驶、人机交互、基于内容的图实。目前，深度学习技术已经成为从数据自动学
【相似文献】

相关期刊论文 前10条

1 王铠;朱大铭;孟祥旭;;关于DCNN神经网络完全稳定讨论[J];模式识别与人工智能;1997年04期

2 孟庆祥;段学琳;;基于DCNN的高分辨率遥感影像场景分类[J];华中师范大学学报(自然科学版);2019年04期

3 田卓;佘青山;甘海涛;孟明;;面向人脸特征点定位和姿态估计任务协同的DCNN方法[J];计量学报;2019年04期

4 魏云超;赵耀;;基于DCNN的图像语义分割综述[J];北京交通大学学报;2016年04期

5 杨东旭;赖惠成;班俊硕;王俊南;;基于改进DCNN结合迁移学习的图像分类方法[J];新疆大学学报(自然科学版);2018年02期

6 张钢;张石清;;基于DCNN和迁移学习的食物图像识别[J];实验室研究与探索;2019年06期

7 张保生,周冬明,朱光辉;时延细胞神经网络(DCNN)的全局稳定性[J];云南民族学院学报(自然科学版);2000年03期

8 杨娟;曹浩宇;汪荣贵;薛丽霞;;基于语义DCNN特征融合的细粒度车型识别模型[J];计算机辅助设计与图形学学报;2019年01期

9 王振国;陈宏宇;徐文明;;利用DCNN融合特征对遥感图像进行场景分类[J];电子设计工程;2018年01期

10 林琰超;;基于病理图像的DCNN鼻咽癌诊断模型和算法[J];电脑知识与技术;2018年14期

相关硕士学位论文 前4条

1 翟进有;改进DCNN算法及其在无人机目标识别中应用[D];南昌航空大学;2019年

2 郑嘉祺;基于DCNN的井下行人检测系统的研究与设计[D];西安科技大学;2017年

3 景晨凯;基于DCNN的人脸识别技术在身份验证中的研究[D];郑州大学;2017年

4 文俊;基于深度卷积神经网络的室外场景理解研究[D];杭州电子科技大学;2016年

本文编号：2851122