目標識別一直以來都是計算機視覺里的研究熱點與難點。無人機圖像中的車輛目標識別在民用與軍用領域都具有極其重要的價值。在無人機圖像中的車輛目標一般比較小,目標經(jīng)過網(wǎng)絡運算以后細節(jié)信息丟失嚴重,造成了現(xiàn)有的識別算法對無人機圖像中的車輛目標的識別效果較差。本論文主要研究無人機圖像中的車輛目標識別方法,以目前目標識別領域最具有代表性的兩種算法為基礎,針對本論文數(shù)據(jù)集的特點對算法進行改進。本論文的主要工作包括以下幾個部分。(1)構建了一個大規(guī)模的基于無人機圖像的車輛目標識別數(shù)據(jù)集。帶有目標類別標簽與目標位置的大規(guī)模數(shù)據(jù)集是運用深度學習進行目標識別的基礎與核心。本論文構建的無人機圖像數(shù)據(jù)集總共包括1978張圖片,總共包括將近10萬個車輛目標。(2)以Region-based Convolution Neural Networks(Faster RCNN)網(wǎng)絡為基礎,針對本論文中的無人機圖像中的車輛目標識別進行改進。原始的Faster RCNN對無人機圖像中的小的車輛目標的識別效果較差,尤其是其中的不完整目標。本論文使用不同的anchor組合,選取最優(yōu)的anchor大小與個數(shù),使得網(wǎng)絡的檢測AP值提高了8.0%;然后又針對網(wǎng)絡對小目標的運算造成細節(jié)信息丟失的問題,在網(wǎng)絡中增加了多層特征融合,使得網(wǎng)絡的檢測AP值提高2.1%。改進后的網(wǎng)絡的測試AP總共提高10.1%,精度從80.5%提高到了90.6%,但是因為增加了anchor個數(shù)的原因,改進后的網(wǎng)絡識別的速度略有下降。(3)以You Look Only Once(YOLO)網(wǎng)絡為基礎,針對本論文中的無人機圖像中的車輛目標識別進行改進。本論文使用的是YOLO的v3版本,其對本論文中的無人機圖像中的不完整目標與部分完整目標存在漏檢。本論文使用K-means++算法對訓練數(shù)據(jù)集的Ground Truth進行k=9的聚類,將聚類中心作為網(wǎng)絡的初始框,改善了網(wǎng)絡對小目標的漏檢,使得網(wǎng)絡的檢測AP值提高了4.31%;使用Soft Non-Maximum Suppression(Soft-NMS)算法對Non-Maximum Suppression(NMS)算法進行改進,改善了NMS算法對部分完整目標的錯誤抑制問題,使得網(wǎng)絡的AP值提高了1.17%。改進后的網(wǎng)絡整體AP值提高了5.48%。本論文還使用了COWC、VEDAI與中科院CAR等三個數(shù)據(jù)集對Faster RCNN與YOLOv3網(wǎng)絡進行了魯棒性驗證與對比。YOLOv3網(wǎng)絡的優(yōu)勢是識別的精度與速度,Faster RCNN的優(yōu)勢在于網(wǎng)絡的魯棒性更好。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;U495;E91
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀與研究方法
        1.2.1 基于圖像分割的目標檢測方法
        1.2.2 基于幀差的目標檢測方法
        1.2.3 基于深度學習的目標檢測方法
    1.3 主要研究內(nèi)容
    1.4 論文組織結構
    1.5 本章小結
第二章 深度學習目標識別理論與數(shù)據(jù)集構建
    2.1 深度學習基礎理論知識
        2.1.1 卷積神經(jīng)網(wǎng)絡
        2.1.2 激活函數(shù)
        2.1.3 基于SGD的 softmax求解
    2.2 數(shù)據(jù)采集與數(shù)據(jù)集構建
        2.2.1 無人機系統(tǒng)簡介
        2.2.2 數(shù)據(jù)采集過程與數(shù)據(jù)擴充
        2.2.3 數(shù)據(jù)集構建
    2.3 本章小結
第三章 面向小目標檢測的Faster RCNN網(wǎng)絡優(yōu)化
    3.1 Faster RCNN算法簡介
        3.1.1 區(qū)域推薦網(wǎng)絡RPN
        3.1.2 Fast RCNN架構
        3.1.3 RPN和 Fast RCNN共享特征
    3.2 Faster RCNN針對小型密集目標檢測的優(yōu)化
        3.2.1 實驗平臺介紹
        3.2.2 Faster RCNN網(wǎng)絡的實驗結果
        3.2.3 Faster RCNN 模型的改進與實驗
    3.3 實驗結果分析
    3.4 本章小結
第四章 面向小目標檢測的YOLO網(wǎng)絡優(yōu)化
    4.1 YOLO網(wǎng)絡簡介
    4.2 YOLOv3 網(wǎng)絡
        4.2.1 YOLOv2 網(wǎng)絡改進細節(jié)
        4.2.2 YOLOv3 網(wǎng)絡改進細節(jié)
        4.2.3 YOLOv3 網(wǎng)絡的實驗結果
    4.3 YOLO網(wǎng)絡針對小型密集目標檢測的優(yōu)化
        4.3.1 K-means++算法簡介
        4.3.2 Soft-NMS算法簡介
        4.3.3 改進后的 YOLOv3 算法及實驗
    4.4 實驗結果分析
    4.5 網(wǎng)絡的魯棒性驗證
    4.6 本章小結
第五章 總結與展望
    5.1 全文總結
    5.2 后續(xù)工作展望
致謝
參考文獻
攻讀碩士學位期間取得的成果

【參考文獻】

相關博士學位論文 前3條

1 李大偉;固定翼無人機地面車輛目標自動檢測與跟蹤[D];中國科學院大學(中國科學院國家空間科學中心);2017年

2 王海羅;基于視覺感知的無人機目標識別與跟蹤技術研究[D];北京理工大學;2015年

3 王寧;基于粒子濾波的視覺目標跟蹤方法關鍵技術研究[D];華中科技大學;2013年

本文編號：2840790