基于卷积神经网络的无人机目标检测算法研究
发布时间：2021-02-01 23:14
目标检测就是利用数字图像的相关技术获取图像或视频序列中特定目标的几何特征以及统计特性等信息,实现对目标的分割和提取。随着现有无人机技术不断取得突破性进展,国内的无人机市场也将迎来爆发式的增长。对于国家军事应用来说,无人机目前已经成为了一种新型空中支援力量,然而目标检测又是其中的一项关键技术。同样伴随着计算机科学技术的迅猛发展和数字图像处理技术在各个领域的广泛应用,利用数字图像处理技术对无人机获取的图像中感兴趣目标进行实时、高效的检测也逐渐成为许多高校、研究机构的热门方向。对特定目标进行动态、实时以及稳定的检测和定位在现代交通管理、小区监控、校园安保、国家军事应用以及医学辅助导航手术等方面具有广泛的实际应用价值。但是无人机机载系统智能化处理能力明显不足,比如:实时动态目标检测、跟踪以及定位。因此研究高效率、高精度的无人机目标检测算法具有重要的理论意义和工程应用价值。针对以上问题,本文针对行人目标遮挡处理、形变以及小目标检测提出新的解决方案,提出了基于预处理和目标优先定位相结合的卷积神经网络目标检测算法;利用NVIDIA的Jetson TX1的高性能处理器结合GPU加速,保证了基于卷积神经...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：99 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 研究的背景及意义
1.2 国内外研究现状及面临的主要问题
1.2.1 国内外研究现状
1.2.2 面临的主要问题
1.3 论文的主要工作及工作安排
1.3.1 论文的主要工作
1.3.2 研究内容
1.3.3 本文的创新点
第二章 目标检测的相关理论
2.1 引言
2.2 图像颜色理论模型基础
2.2.1 RGB及CMYK颜色模型
2.2.2 颜色模型的转换
2.3 HOG行人目标特征提取
2.4 SVM分类器
2.4.1 线性分类
2.4.2 线性不可分
2.5 深度学习相关理论
2.5.1 卷积神经网络
2.5.2 深度置信网络
2.6 系统硬件概述
2.6.1 嵌入式系统概述
2.6.2 DJI的经纬M100
2.6.3 JETSON TX1简述
2.7 本章小结
第三章 卷积神经网络的无人机目标检测算法研究
3.1 引言
3.2 数据库的筛选、设计以及实现
3.3 数据预处理
3.3.1 训练阶段数据预处理
3.3.2 网络搭建中输出层的改进
3.4 训练模型的框架搭建
3.4.1 多方法融合确定疑似行人目标
3.4.2 改进候选框的筛选规则
3.5 本章小结
第四章 目标检测算法的实验论证
4.1 引言
4.2 传统行人目标检测
4.3 改进算法的实验论证
4.3.1 本文算法行人无遮挡的实验论证
4.3.2 本文算法行人部分遮挡的实验论证
4.3.3 本文算法行人发生形变时的实验论证
4.3.4 本文算法行人小目标的实验论证
4.3.5 本文算法无人机目标的实验论证
4.4 本章小结
第五章 硬件系统的搭建和测试
5.1 引言
5.2 操作系统以及平台的搭建
5.2.1 硬件选择和连接
5.2.2 操作系统的安装以及硬盘挂载
5.3 4G网卡驱动的安装以及使用
5.4 硬件系统分析
5.5 本章小结
第六章 总结展望
6.1 本文的工作总结
6.2 论文的研究展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
[2]基于YOLO v2的无人机航拍图像定位研究[J]. 魏湧明,全吉成,侯宇青阳. 激光与光电子学进展. 2017(11)
[3]基于卷积神经网络的监控视频人数统计算法[J]. 马海军,王文中,翟素兰,罗斌. 安徽大学学报(自然科学版). 2016(03)
[4]基于深度卷积神经网络的行人检测[J]. 芮挺,费建超,周遊,方虎生,朱经纬. 计算机工程与应用. 2016(13)
[5]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[6]自适应多模快速背景差算法[J]. 梁华,刘云辉. 中国图象图形学报. 2008(02)
[7]基于无人机图像的实时人工目标检测[J]. 朱剑佑. 无线电工程. 2007(10)
博士论文
[1]基于计算机视觉的目标检测跟踪及特征分类研究[D]. 杨超宇.中国矿业大学(北京) 2017
[2]无人机图像中的典型目标检测与变化检测方法研究[D]. 苏昂.国防科学技术大学 2016
[3]基于视觉感知的无人机目标识别与跟踪技术研究[D]. 王海罗.北京理工大学 2015
[4]航拍视频运动目标检测与跟踪方法研究[D]. 仝小敏.西北工业大学 2015
[5]基于计算机视觉的复杂场景下目标跟踪研究[D]. 贺文骅.西安电子科技大学 2015
硕士论文
[1]基于HOG的多特征融合行人检测跟踪系统[D]. 夏鹏飞.南昌航空大学 2017
[2]基于视频的行人检测方法研究[D]. 单志军.中北大学 2017
[3]基于深度学习的目标检测研究[D]. 付若楠.北京交通大学 2017
[4]基于卷积神经网络的目标跟踪技术研究[D]. 唐爽硕.大连理工大学 2017
[5]基于无人机视频的运动车辆检测研究[D]. 王妍.北京交通大学 2017
[6]基于神经网络的行人检测方法研究[D]. 胡洋.西北大学 2017
[7]基于卷积神经网络的行人检测方法研究[D]. 刘键.哈尔滨工业大学 2017
[8]基于深度学习的目标检测系统的研发[D]. 韩飞腾.首都经济贸易大学 2017
[9]基于卷积神经网络的人体检测方法研究[D]. 孙秀伟.大连海事大学 2017
[10]基于无人机视觉的运动目标检测及跟踪算法研究[D]. 张仁蒲.长安大学 2017
本文编号：3013603
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：99 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 研究的背景及意义
1.2 国内外研究现状及面临的主要问题
1.2.1 国内外研究现状
1.2.2 面临的主要问题
1.3 论文的主要工作及工作安排
1.3.1 论文的主要工作
1.3.2 研究内容
1.3.3 本文的创新点
第二章 目标检测的相关理论
2.1 引言
2.2 图像颜色理论模型基础
2.2.1 RGB及CMYK颜色模型
2.2.2 颜色模型的转换
2.3 HOG行人目标特征提取
2.4 SVM分类器
2.4.1 线性分类
2.4.2 线性不可分
2.5 深度学习相关理论
2.5.1 卷积神经网络
2.5.2 深度置信网络
2.6 系统硬件概述
2.6.1 嵌入式系统概述
2.6.2 DJI的经纬M100
2.6.3 JETSON TX1简述
2.7 本章小结
第三章 卷积神经网络的无人机目标检测算法研究
3.1 引言
3.2 数据库的筛选、设计以及实现
3.3 数据预处理
3.3.1 训练阶段数据预处理
3.3.2 网络搭建中输出层的改进
3.4 训练模型的框架搭建
3.4.1 多方法融合确定疑似行人目标
3.4.2 改进候选框的筛选规则
3.5 本章小结
第四章 目标检测算法的实验论证
4.1 引言
4.2 传统行人目标检测
4.3 改进算法的实验论证
4.3.1 本文算法行人无遮挡的实验论证
4.3.2 本文算法行人部分遮挡的实验论证
4.3.3 本文算法行人发生形变时的实验论证
4.3.4 本文算法行人小目标的实验论证
4.3.5 本文算法无人机目标的实验论证
4.4 本章小结
第五章 硬件系统的搭建和测试
5.1 引言
5.2 操作系统以及平台的搭建
5.2.1 硬件选择和连接
5.2.2 操作系统的安装以及硬盘挂载
5.3 4G网卡驱动的安装以及使用
5.4 硬件系统分析
5.5 本章小结
第六章 总结展望
6.1 本文的工作总结
6.2 论文的研究展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
[2]基于YOLO v2的无人机航拍图像定位研究[J]. 魏湧明,全吉成,侯宇青阳. 激光与光电子学进展. 2017(11)
[3]基于卷积神经网络的监控视频人数统计算法[J]. 马海军,王文中,翟素兰,罗斌. 安徽大学学报(自然科学版). 2016(03)
[4]基于深度卷积神经网络的行人检测[J]. 芮挺,费建超,周遊,方虎生,朱经纬. 计算机工程与应用. 2016(13)
[5]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[6]自适应多模快速背景差算法[J]. 梁华,刘云辉. 中国图象图形学报. 2008(02)
[7]基于无人机图像的实时人工目标检测[J]. 朱剑佑. 无线电工程. 2007(10)
博士论文
[1]基于计算机视觉的目标检测跟踪及特征分类研究[D]. 杨超宇.中国矿业大学(北京) 2017
[2]无人机图像中的典型目标检测与变化检测方法研究[D]. 苏昂.国防科学技术大学 2016
[3]基于视觉感知的无人机目标识别与跟踪技术研究[D]. 王海罗.北京理工大学 2015
[4]航拍视频运动目标检测与跟踪方法研究[D]. 仝小敏.西北工业大学 2015
[5]基于计算机视觉的复杂场景下目标跟踪研究[D]. 贺文骅.西安电子科技大学 2015
硕士论文
[1]基于HOG的多特征融合行人检测跟踪系统[D]. 夏鹏飞.南昌航空大学 2017
[2]基于视频的行人检测方法研究[D]. 单志军.中北大学 2017
[3]基于深度学习的目标检测研究[D]. 付若楠.北京交通大学 2017
[4]基于卷积神经网络的目标跟踪技术研究[D]. 唐爽硕.大连理工大学 2017
[5]基于无人机视频的运动车辆检测研究[D]. 王妍.北京交通大学 2017
[6]基于神经网络的行人检测方法研究[D]. 胡洋.西北大学 2017
[7]基于卷积神经网络的行人检测方法研究[D]. 刘键.哈尔滨工业大学 2017
[8]基于深度学习的目标检测系统的研发[D]. 韩飞腾.首都经济贸易大学 2017
[9]基于卷积神经网络的人体检测方法研究[D]. 孙秀伟.大连海事大学 2017
[10]基于无人机视觉的运动目标检测及跟踪算法研究[D]. 张仁蒲.长安大学 2017
本文编号：3013603
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3013603.html
