基于无人机视角下的实时车辆检测与跟踪算法研究
发布时间：2021-07-21 22:36
无人机因其灵活高效、低成本等优点,在导航搜救、交通监控等方面得到日益普及,无人机视频监控在安全防范领域中发挥着举足轻重的作用,实现无人机视角下的目标检测与跟踪,能够有效提升无人机高效化、智能化作业水平。本文对无人机视角下车辆漏检率高和难以满足嵌入式平台实时性的要求进行了研究,设计了一个应用在无人机平台上的多目标车辆实时检测跟踪算法,以解决无人机视角下检测跟踪中漏检、误检、遮挡等问题。主要完成的工作如下:（1）针对现有目标检测网络在无人机平台上准确度低和实时性差的问题,以YOLOv3为基础,提出了4点改进策略。首先使用反残差网络构建基础特征提取层,用MobileNetv2作为骨干网络进行结构轻量化处理;其次,针对车辆定位不准确和样本不均衡问题,采用DIoU和Focal Loss代替原损失函数中的位置损失和置信度损失;并通过6)-means聚类算法重新获取anchor尺寸;最后利用快速ACE算法对数据集进行增强处理以提高性能。实验结果表明改进后的网络MD-YOLOv3精度提升了4.54%,速度由原先6帧/s提升到14帧/s。（2）在检测的基础上,针对SORT算法的ID易突变等缺点,提出一种...
【文章来源】：燕山大学河北省
【文章页数】：100 页
【学位级别】：硕士
【部分图文】：
无人机的应用领域
１究翁獾难芯烤哂幸欢ǖ睦砺垩芯恳庖搴蜕桃导壑担?芄淮俳?奕嘶?捌?相关产业发展，对进一步提升无人机高效化、智能化作业水平也有着积极作用。1.2国内外研究现状1.2.1目标检测算法研究现状目标检测的任务是找出图像中所有感兴趣的目标(物体)，然后确定它们的位置和大小信息。由于不同目标物体外观、形状的不同，以及周围不同光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题[9]。图像区域建议候选区域特征表示提取描述特征区域分类分类器边框回归训练样本特征提取训练分类器图1-2传统目标检测过程一般传统目标检测方法包括三个部分：滑动窗口确定候选区域、提取特征(如Harr[10]或HOG[11]等)、分类器分类回归[12,13]，检测过程如图1-2所示。Felzenszwalb[14]
实际应用的需求标准。201320142015201620172018DetectorNet(Szegedyetal.)RCNN(Girshicketal.)NIN(Linetal.)FastRCNN(Girshick)SPPNet(Heetal.)MSCMultibox(Szegedyetal.)VGGNet(SimonyanandZisserman)MultiBox(Erhanetal.)YOLO(Redmonetal.)FasterRCNN(Renetal.)ResNet(Heetal.)RFCN(Daietal.)DenseNet(Huangetal.)SSD(Liuetal.)YOLO9000(RedmonandFarhadi)MaskRCNN(Heetal.)FocalLoss(Linetal.)OverFeat(Sermanetetal.)GoogLeNet(Szegedyetal.)图1-3目标检测发展的历程图近几年，深度学习兴起和不断发展加速了目标检测的进程，目标检测从原始的传统手工提取特征方法变成了基于卷积神经网络(ConvolutionNeuralNetwork，CNN)的特征提龋与传统特征提取方法不同，卷积神经网络通过多层卷积运算提取特征，能够获取较高精度，同时能克服周边环境变化带来的困难，具有一定的鲁棒性。图1-3为目标检测发展的历程图，2013年，OverFeat[15]在数据集ILSVRC2013上的平均检测精度(meanAveragePrecision，mAP)只有24.3%，随后Girshick提出了R-CNN[16](Region-basedConvolutionalNeuralNetworks)，将选择性搜索的区域建议算法和神经网络相结合，使得检测结果的准确率得到了大幅提升，自此掀起了一轮将卷积神经网络应用于目标检测的研究热潮，但这种检测方法也存在着一大缺陷是区域建议之间存在高度重叠，会造成特征提取的冗余，使得检测效率大为降低。针对R-CNN的检测框架存在的问题，He[17]等提出空间金字塔池化(SpatialPyramidPooling，SPP)方法，有效处理了多尺度检测问题。随后，相继出现了FastR-CNN[18]、FasterR-CNN[19]、R-FCN[20]等一系列优秀的目标检测算法，Faste
【参考文献】：
期刊论文
[1]基于余弦距离度量学习的伪K近邻文本分类算法[J]. 彭凯,汪伟,杨煜普. 计算机工程与设计. 2013(06)
[2]无人机视频运动目标实时检测及跟踪[J]. 董晶,傅丹,杨夏. 应用光学. 2013(02)
[3]Cubature卡尔曼滤波-卡尔曼滤波算法[J]. 孙枫,唐李军. 控制与决策. 2012(10)
[4]运动目标跟踪算法研究综述[J]. 张娟,毛晓波,陈铁军. 计算机应用研究. 2009(12)
[5]改进自动色彩均衡快速算法[J]. 王煜坚,黄波. 无线电通信技术. 2009(05)
硕士论文
[1]基于卷积神经网络的无人机侦察图像识别[D]. 马杰.北京邮电大学 2019
[2]文本图像的拼接技术及其应用研究[D]. 国栋.北方工业大学 2019
[3]基于HOG特征的车辆检测技术研究[D]. 马蓓蓓.华南理工大学 2015
[4]基于暗通道先验原理的图像去雾研究[D]. 陈新富.浙江理工大学 2015
本文编号：3295895
【文章来源】：燕山大学河北省
【文章页数】：100 页
【学位级别】：硕士
【部分图文】：
无人机的应用领域
１究翁獾难芯烤哂幸欢ǖ睦砺垩芯恳庖搴蜕桃导壑担?芄淮俳?奕嘶?捌?相关产业发展，对进一步提升无人机高效化、智能化作业水平也有着积极作用。1.2国内外研究现状1.2.1目标检测算法研究现状目标检测的任务是找出图像中所有感兴趣的目标(物体)，然后确定它们的位置和大小信息。由于不同目标物体外观、形状的不同，以及周围不同光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题[9]。图像区域建议候选区域特征表示提取描述特征区域分类分类器边框回归训练样本特征提取训练分类器图1-2传统目标检测过程一般传统目标检测方法包括三个部分：滑动窗口确定候选区域、提取特征(如Harr[10]或HOG[11]等)、分类器分类回归[12,13]，检测过程如图1-2所示。Felzenszwalb[14]
实际应用的需求标准。201320142015201620172018DetectorNet(Szegedyetal.)RCNN(Girshicketal.)NIN(Linetal.)FastRCNN(Girshick)SPPNet(Heetal.)MSCMultibox(Szegedyetal.)VGGNet(SimonyanandZisserman)MultiBox(Erhanetal.)YOLO(Redmonetal.)FasterRCNN(Renetal.)ResNet(Heetal.)RFCN(Daietal.)DenseNet(Huangetal.)SSD(Liuetal.)YOLO9000(RedmonandFarhadi)MaskRCNN(Heetal.)FocalLoss(Linetal.)OverFeat(Sermanetetal.)GoogLeNet(Szegedyetal.)图1-3目标检测发展的历程图近几年，深度学习兴起和不断发展加速了目标检测的进程，目标检测从原始的传统手工提取特征方法变成了基于卷积神经网络(ConvolutionNeuralNetwork，CNN)的特征提龋与传统特征提取方法不同，卷积神经网络通过多层卷积运算提取特征，能够获取较高精度，同时能克服周边环境变化带来的困难，具有一定的鲁棒性。图1-3为目标检测发展的历程图，2013年，OverFeat[15]在数据集ILSVRC2013上的平均检测精度(meanAveragePrecision，mAP)只有24.3%，随后Girshick提出了R-CNN[16](Region-basedConvolutionalNeuralNetworks)，将选择性搜索的区域建议算法和神经网络相结合，使得检测结果的准确率得到了大幅提升，自此掀起了一轮将卷积神经网络应用于目标检测的研究热潮，但这种检测方法也存在着一大缺陷是区域建议之间存在高度重叠，会造成特征提取的冗余，使得检测效率大为降低。针对R-CNN的检测框架存在的问题，He[17]等提出空间金字塔池化(SpatialPyramidPooling，SPP)方法，有效处理了多尺度检测问题。随后，相继出现了FastR-CNN[18]、FasterR-CNN[19]、R-FCN[20]等一系列优秀的目标检测算法，Faste
【参考文献】：
期刊论文
[1]基于余弦距离度量学习的伪K近邻文本分类算法[J]. 彭凯,汪伟,杨煜普. 计算机工程与设计. 2013(06)
[2]无人机视频运动目标实时检测及跟踪[J]. 董晶,傅丹,杨夏. 应用光学. 2013(02)
[3]Cubature卡尔曼滤波-卡尔曼滤波算法[J]. 孙枫,唐李军. 控制与决策. 2012(10)
[4]运动目标跟踪算法研究综述[J]. 张娟,毛晓波,陈铁军. 计算机应用研究. 2009(12)
[5]改进自动色彩均衡快速算法[J]. 王煜坚,黄波. 无线电通信技术. 2009(05)
硕士论文
[1]基于卷积神经网络的无人机侦察图像识别[D]. 马杰.北京邮电大学 2019
[2]文本图像的拼接技术及其应用研究[D]. 国栋.北方工业大学 2019
[3]基于HOG特征的车辆检测技术研究[D]. 马蓓蓓.华南理工大学 2015
[4]基于暗通道先验原理的图像去雾研究[D]. 陈新富.浙江理工大学 2015
本文编号：3295895
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3295895.html
