无人机集群目标几何特征识别

发布时间：2025-02-09 17:42

　　在无人机集群对抗中,探测技术面临着非常多的挑战。首先,针对无人机这类低小慢目标,常规雷达难以达到有效检测;其次,在跟踪无人机集群时,对于出现的目标间交叉、退出与进入场景均会导致轨迹难以准确匹配;除此之外,如何从宏观描述集群特征,实现探测到反制的有机统一也是关键难点。本论文对以上面临的困难与挑战进行深入分析,设计反无人机集群探测系统,在有限计算力条件下,实现对无人机集群目标的实时精准探测,并进一步识别无人机集群几何特征。课题结合深度学习在计算机视觉领域的突出性能表现,设计并优化多目标实时检测跟踪算法,对无人机集群目标宏观几何特征做出定义,设计算法进行集群特征识别。综上所述,课题的主要内容除研究特征工程、深度学习与目标检测跟踪技术基本理论,还包括:1.针对检测小型目标时计算力与准确率间的矛盾,在基于YOLO的检测算法基础上,提出结合FPN和残差网络的深度学习技术,采用大、中、小目标分层检测,深、浅层网络特征融合的技术路线,有效提升了算法检测小目标不力的问题,同时保证了实时性检测的速率。2.针对多目标跟踪任务中轨迹匹配精准度低的问题,在Kalman滤波算法的基础上,提出结合余弦距离的轨迹匹配算...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 无人机集群目标识别的研究历史与现状
        1.2.1 目标检测技术的发展与现状
        1.2.2 多目标跟踪技术的发展与现状
        1.2.3 高/低动态范围图像处理技术发展与现状
        1.2.4 目标三维重建技术发展与现状
    1.3 本文的主要工作
    1.4 本论文的结构安排
第二章 无人机集群目标与特征识别技术
    2.1 无人机几何特征
        2.1.1 单目标无人机几何特征
        2.1.2 集群目标无人机几何特征
    2.2 目标检测识别技术
        2.2.1 图像特征检测技术
            2.2.1.1 Harris角点特征检测算法
            2.2.1.2 SIFT特征点检测算法
            2.2.1.3 Sobel边缘检测算法
            2.2.1.4 Canny边缘检测算法
        2.2.2 目标检测跟踪技术
            2.2.2.1 目标检测算法
            2.2.2.2 目标跟踪算法
    2.3 神经网络与深度学习
        2.3.1 神经网络结构
            2.3.1.1 激活函数
            2.3.1.2 梯度下降与反向传播算法
        2.3.2 深度学习
    2.4 总体设计与研究过程
    2.5 本章小结
第三章 基于深度学习的目标检测跟踪算法研究
    3.1 基于YOLO的目标检测算法
        3.1.1 YOLO网络模型
        3.1.2 FPN算法
        3.1.3 Res-Net网络模型
    3.2 基于Kalman滤波/匈牙利算法的轨迹匹配算法
        3.2.1 Kalman滤波理论
        3.2.2 状态估计与轨迹处理方法
        3.2.3 轨迹匹配算法
    3.3 实验结果
        3.3.1 实验数据及训练过程
        3.3.2 实验结果分析
    3.4 本章小结
第四章 基于深度学习的图像处理技术研究
    4.1 HDR/LDR图像处理技术
    4.2 基于生物视网膜模型的图像画质增强算法
        4.2.1 自适应卷积技术
        4.2.2 循环神经网络技术
        4.2.3 卷积核压缩技术
    4.3 实验结果及分析
    4.4 本章小结
第五章 集群目标三维重建算法研究
    5.1 集群目标节点数学建模
    5.2 双目视觉算法研究
        5.2.1 双目视觉定位算法原理
        5.2.2 图像矫正技术
            5.2.2.1 单应性图像矫正技术
            5.2.2.2 图像配准技术
    5.3 集群目标几何重构与特征识别算法
    5.4 实验结果分析
    5.5 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献



本文编号：4032623