車輛目標(biāo)檢測(cè)技術(shù)是指在不同背景的圖像數(shù)據(jù)集中,通過特征提取方式,對(duì)圖像中所含車輛進(jìn)行檢測(cè)識(shí)別的過程。而基于深度學(xué)習(xí)的車輛目標(biāo)檢測(cè)技術(shù)在目標(biāo)檢測(cè)準(zhǔn)確率與速率方面顯示出明顯的優(yōu)勢(shì)。隨著科技的發(fā)展,對(duì)無人機(jī)俯拍圖像中所含車輛進(jìn)行檢測(cè)與識(shí)別,成為一個(gè)重要的應(yīng)用研究方向。本文對(duì)基于深度學(xué)習(xí)的無人機(jī)俯拍車輛的檢測(cè)與識(shí)別進(jìn)行研究,并針對(duì)YOLOv3算法中無人機(jī)俯拍車輛中不完整的車輛目標(biāo)不能被識(shí)別、距離較近的車輛被漏檢問題,提出基于錨點(diǎn)的無人機(jī)俯拍車輛候選框生成算法和基于非線性函數(shù)極大值抑制的無人機(jī)俯拍車輛預(yù)測(cè)框生成算法。本文所取得的成果包括以下幾個(gè)方面:首先,針對(duì)無人機(jī)俯拍車輛中不完整車輛不能被檢測(cè)的問題,提出了基于錨點(diǎn)的無人機(jī)俯拍車輛候選框生成算法。該算法首先對(duì)錨點(diǎn)的選取進(jìn)行優(yōu)化,然后通過分析得到距離函數(shù),利用該函數(shù)去計(jì)算初始錨點(diǎn)與車輛數(shù)據(jù)樣本點(diǎn)中的距離,進(jìn)而得到所有錨點(diǎn)。接下來預(yù)測(cè)錨點(diǎn)框在四個(gè)方向上的移動(dòng)幅度,并使用sigmoid函數(shù)控制其移動(dòng)幅度在一定范圍內(nèi)。該算法提高了車輛檢測(cè)網(wǎng)絡(luò)對(duì)一些不完整的車輛準(zhǔn)確識(shí)別的概率。其次,針對(duì)無人機(jī)俯拍車輛相距較近的多個(gè)車輛中某個(gè)車輛被漏檢的問題,提出了基于非... 

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究的背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)目標(biāo)檢測(cè)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)目標(biāo)檢測(cè)國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究的目標(biāo)和內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 深度學(xué)習(xí)車輛檢測(cè)相關(guān)技術(shù)研究
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)技術(shù)與算法原理
        2.1.3 卷積網(wǎng)絡(luò)實(shí)現(xiàn)車輛檢測(cè)算法
    2.2 YOLOv3 網(wǎng)絡(luò)
        2.2.1 YOLO系列網(wǎng)絡(luò)改進(jìn)與演變
        2.2.2 YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)與技術(shù)
        2.2.3 YOLOv3 車輛檢測(cè)與識(shí)別算法
    2.3 無人機(jī)俯拍車輛數(shù)據(jù)集構(gòu)造
    2.4 本章小結(jié)
第3章 無人機(jī)俯拍車輛候選框生成算法的研究
    3.1 無人機(jī)俯拍車輛候選框生成算法
    3.2 基于錨點(diǎn)的無人機(jī)俯拍車輛候選框生成算法
        3.2.1 車輛錨點(diǎn)選取
        3.2.2 車輛錨點(diǎn)框生成
        3.2.3 車輛候選框生成
    3.3 車輛數(shù)據(jù)預(yù)處理
        3.3.1 車輛圖像變換與增強(qiáng)
        3.3.2 車輛圖像平滑
    3.4 本章小結(jié)
第4章 無人機(jī)俯拍車輛預(yù)測(cè)框生成算法的研究
    4.1 無人機(jī)俯拍車輛預(yù)測(cè)框生成算法
    4.2 基于非線性函數(shù)極大值抑制的無人機(jī)俯拍車輛預(yù)測(cè)框生成算法
        4.2.1 算法流程設(shè)計(jì)
        4.2.2 算法的基本原理與實(shí)現(xiàn)
    4.3 置信度分?jǐn)?shù)優(yōu)化
        4.3.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        4.3.2 多層卷積特征融合與分析
    4.4 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果與分析
    5.1 無人機(jī)俯拍車輛檢測(cè)指標(biāo)
    5.2 原始YOLOv3 網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果與分析
    5.3 改進(jìn)的YOLOv3 網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果與分析
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文和獲得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于非凸低秩分解判別的疊加線性稀疏人臉識(shí)別[J]. 葉學(xué)義,羅宵晗,王鵬,陳慧云.  中國(guó)圖象圖形學(xué)報(bào). 2019(08)
[2]一種基于兩階段深度學(xué)習(xí)的集成推薦模型[J]. 王瑞琴,吳宗大,蔣云良,樓俊鋼.  計(jì)算機(jī)研究與發(fā)展. 2019(08)
[3]基于YOLOv3算法的農(nóng)場(chǎng)環(huán)境下奶牛目標(biāo)識(shí)別[J]. 王毅恒,許德章.  廣東石油化工學(xué)院學(xué)報(bào). 2019(04)
[4]多層感知器自監(jiān)督在線修正的道路識(shí)別算法[J]. 宮金良,孫曉峰,張彥斐.  交通運(yùn)輸系統(tǒng)工程與信息. 2019(04)
[5]基于深度學(xué)習(xí)的實(shí)時(shí)圖像目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 李林,張盛兵,吳鵑.  計(jì)算機(jī)測(cè)量與控制. 2019(07)
[6]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法[J]. 葛雯,宮婷,王媛,胡愛玲.  微處理機(jī). 2019(03)
[7]基于機(jī)器視覺的無人機(jī)識(shí)別系統(tǒng)算法分析[J]. 彭文亮,梁祝,李智峰.  電子設(shè)計(jì)工程. 2019(11)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)及特征提取的面部表情識(shí)別算法[J]. 王怡文.  電腦知識(shí)與技術(shù). 2019(16)
[9]基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的圖像分割實(shí)現(xiàn)[J]. 魏光杏,周獻(xiàn)中.  佳木斯大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[10]基于深度多視圖特征距離學(xué)習(xí)的行人重識(shí)別[J]. 鄧軒,廖開陽(yáng),鄭元林,袁暉,雷浩,陳兵.  計(jì)算機(jī)應(yīng)用. 2019(08)



本文編號(hào)：3649763