基于无人机视频巡视系统下的目标检测与跟踪技术研究

发布时间：2020-11-05 19:54

　　 目标检测与跟踪是无人机视频巡视系统的重要研究课题。传统的目标检测算法因描述能力弱不能满足无人机视频巡视系统复杂环境下的目标检测需求。近年来,人工智能的发展为无人机视频巡视系统目标检测与跟踪的性能提升提供了新的突破口。本文以行人目标作为被测目标,引入深度学习对无人机视频巡视系统下的目标检测方法进行改进。同时,针对传统目标跟踪算法跟不稳定、实时性差的问题,在核相关滤波算法基础上,对无人机视频巡视系统下的目标跟踪改进方法进行研究。主要研究工作反映如下:1)无人机视频巡视系统下的目标检测改进方法研究。针对无人机移动速度快、拍摄场景复杂的情况,提出了显著性粗定位结合深度学习精定位的两步检测法。首先,根据行人目标多为直立状态的特点,对GBVS模型的Gabor方向、颜色特征进行针对性选择。通过加权合并,对GBVS通道各特征融合方式进行改进。通过显著性测量得到行人候选区域以实现目标粗定位。然后,采用迁移学习的设计思路,构建适合无人机视频巡视系统的轻量级卷积神经网络(CNN),用于目标精定位。所构建的轻量级CNN结构以深度可分离的卷积单元作为构建卷积结构的基础单位,将标准卷积操作分解为深度卷积和点卷积两部分,从而以更少的计算量实现与标准卷积操作近似的卷积效果。将基于显著性检测的目标粗定位候选区域,作为轻量级CNN的输入,通过对目标位置进行回归,实现目标的最终定位。实验结果表明,提出的目标检测改进方法因加入显著性目标粗定位,在无人机视频巡视系统下对小目标检测的精度优于常规CNN检测方法。2)无人机视频巡视系统下的目标跟踪改进方法研究。针对无人机视频巡视系统下行人目标存在较多的形变和尺度变化等情况,在核相关滤波算法(KCF)基础上,采用了融合HOG特征和颜色特征的跟踪改进方法。首先,引入对目标空间结构依赖性较低的颜色直方图特征,克服KCF目标形变检测鲁棒性较差缺陷。其次,训练独立的尺度滤波器对目标尺度变化进行估计,用于提高KCF对尺度变化目标检测的自适应性能。实验结果表明,改进后的核相关滤波跟踪算法对轻微形变和遮挡具有鲁棒性,能实现自适应尺度变化,达到实时跟踪的速度要求。
【学位单位】：南京航空航天大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：V279;V249;TP391.41
【部分图文】：

(a) (b) (c) (d)图 1. 1 行人检测场景示意图图 1.1 为几种典型的行人场景图。其中图(a)场景简单干扰较少，行人检测较为容易。图(为夜晚雨天场景，场景干扰较多且光照状况较差；(c)图为行人互相遮挡和图像边缘行人目标不完整的状况；(d)图为光照强度较低，行人与背景区分度低的状况。

GBVS流程图

DKL球形颜色空间从RGB到DKL空间的转换通常需要LMS颜色空间作为中间过渡，如下所示：
【参考文献】

相关期刊论文 前3条

1 张辰;赵红颖;钱旭;;面向无人机影像的目标特征跟踪方法研究[J];红外技术;2015年03期

2 赵钦君;张勇;赵东标;;一种尺度和旋转自适应的目标跟踪算法[J];中南大学学报(自然科学版);2013年06期

3 董蓉;李勃;陈启美;;基于SIFT特征的目标多自由度mean-shift跟踪算法[J];控制与决策;2012年03期

相关硕士学位论文 前3条

1 张博龙;无人飞行器目标跟踪算法研究[D];长春理工大学;2014年

2 谷继力;视觉注意机制研究及其在行人检测中的应用[D];北京工业大学;2013年

3 谭熊;基于光流分析的无人机视频运动目标检测与跟踪[D];解放军信息工程大学;2011年

本文编号：2872111