小型飞行平台视频目标检测与跟踪技术研究

发布时间：2023-05-28 11:25

　　目标检测与视频目标跟踪一直是计算机视觉领域的研究热点,目前这些技术已经广泛应用在交通、安防、军事侦查等多个方面。但在小型飞行平台这个使用场景中,由于目标往往远离平台,造成目标在视野中占比小,现有很多算法难以达到好的效果。此外,小型飞行平台出于载重量、续航等方面的考量,机载设备性能普遍较低,而现有很多算法复杂度大,难以直接移植使用。针对上述困境,本论文首先对现有的目标检测和视频目标跟踪算法进行了深入分析,寻找出几种性能较好的算法作为改进的基础,然后通过查阅相关领域的研究进展,确定了改进方向。具体研究内容如下:(1)在目标检测方面,本文选择SSD目标检测算法作为改进的出发点,然后参考了近年来卷积神经网络压缩优化方面的进展,决定采用MobileNetV2骨干网络取代原有的VGG-16,构建一个轻量级的SSD目标检测算法。在此基础上,本文对该类型算法在小目标检测任务上效果差的原因进行了深入分析。然后受focal loss理论启发,将focal loss损失函数引入到算法中,通过调节focal loss函数的超参数来提高小目标在训练中的权重,进而提升算法对小目标的检测能力,使得整个算法能更好的适...

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状及面临的问题
        1.2.1 目标检测算法国内外研究现状
        1.2.2 视频目标跟踪算法国内外研究现状
        1.2.3 针对小型飞行平台应用所面临的问题
    1.3 研究内容及创新点
        1.3.1 研究内容
        1.3.2 创新点
    1.4 论文结构安排
第二章 目标检测算法的相关理论
    2.1 目标检测算法基础理论
        2.1.1 预处理
        2.1.2 特征提取
        2.1.3 特征分类
    2.2 CNN理论基础
        2.2.1 CNN发展简介
        2.2.2 CNN基本结构及理论
        2.2.3 CNN训练方法
    2.3 基于DCNN的目标检测算法
        2.3.1 Two-stage法
        2.3.2 One-stage法
第三章 基于DCNN的轻量级小目标检测算法
    3.1 CNN模型压缩优化
        3.1.1 SqueezeNet
        3.1.2 MobileNet
        3.1.3 ShuffleNet
    3.2 基于DCNN的轻量级小目标检测模型
        3.2.1 模型架构
        3.2.2 Focalloss理论
        3.2.3 损失函数改进
    3.3 模型实现
        3.3.1 软硬件环境介绍
        3.3.2 训练集制作
        3.3.3 模型构建及训练
    3.4 仿真实验及结果分析
        3.4.1 与基于InceptionV2的SSD算法比较
        3.4.2 与基于MobileNetV1的SSD算法比较
        3.4.3 与基于MobileNetV2的SSD算法比较
        3.4.4 定量对比结果
    3.5 本章小结
第四章 结合显著性检测的TLD视频目标跟踪算法
    4.1 传统的TLD目标跟踪算法
        4.1.1 跟踪器
        4.1.2 检测器
        4.1.3 学习器
    4.2 视觉显著性目标检测算法
        4.2.1 视觉显著性目标检测发展简介
        4.2.2 简单线性迭代聚类超像素分割算法详解
        4.2.3 元胞自动机理论简介
        4.2.4 基于元胞自动机的视觉显著性目标检测算法
    4.3 结合显著性检测的TLD视频目标跟踪算法
        4.3.1 改进后的算法流程
        4.3.2 更进一步改进
    4.4 仿真实验及结果分析
        4.4.1 定性对比
        4.4.2 定量对比
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 未来研究展望
参考文献
致谢
作者简介



本文编号：3824497