無人機檢測與識別運動目標(biāo)的難點在于平臺和目標(biāo)都在運動并且需要較高的實時性,普通的運動目標(biāo)檢測算法存在較大誤差。針對該難點問題,本文提出了一種針對無人機運動平臺的運動目標(biāo)檢測與識別算法,具體如下:(1)綜合分析了運動目標(biāo)檢測技術(shù)的國內(nèi)外研究現(xiàn)狀,設(shè)計了針對無人機平臺運動目標(biāo)檢測識別算法的系統(tǒng)方案,搭建實驗平臺,并對機載云臺相機進(jìn)行標(biāo)定。(2)針對機載云臺相機運動時背景模型的建立易受干擾的難題,本文對傳統(tǒng)單高斯背景模型進(jìn)行改進(jìn),提出具有年齡項的雙模式單高斯背景模型,該模型引入可變化的更新率,能夠有效減少配準(zhǔn)誤差對模型的影響以及前景像素對背景模型的污染。通過對比實驗,驗證了雙模式單高斯背景模型相比于傳統(tǒng)單高斯背景模型的優(yōu)越性。除此之外,針對無人機飛行自由度大的特點,提出自適應(yīng)運動補償方法。該方法運算量小,準(zhǔn)確度較高,提高了運動補償?shù)乃俾屎蜏?zhǔn)確率。(3)針對判定后的前景像素分割圖存在誤判或漏判的問題,本文對檢測結(jié)果進(jìn)行優(yōu)化,提出了基于灰度相似性的去除陰影方法以及基于概率形態(tài)學(xué)膨脹的去除孔洞方法,使得檢測出的運動目標(biāo)更加完整準(zhǔn)確,同時在去除陰影操作前,采用基于能量值和目標(biāo)陰影像素個數(shù)比值的陰影存在性判定算法,進(jìn)一步降低了計算量。(4)針對無人機檢測出來的運動目標(biāo)需要快速識別的問題,設(shè)計了基于GPU運行的Mobile Nets-SSD運動目標(biāo)識別方法,利用GPU加速模型進(jìn)行訓(xùn)練和運行,同時使用Mobile Nets對模型進(jìn)行壓縮,經(jīng)過實驗驗證,基于GPU運行的Mobile Nets-SSD比SSD運行速度提高近7倍。在6組不同環(huán)境條件下進(jìn)行試驗,試驗結(jié)果表明本文方法可以有效解決移動背景下運動目標(biāo)的檢測和識別問題,目標(biāo)分割質(zhì)量高,運行速度快,識別效果好,系統(tǒng)的整體運行速度最高能達(dá)到22 FPS。
【學(xué)位單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：V279;V249
【部分圖文】：

1 Guillot 提出適用于平移變焦相機的背景減法算像機平移和傾斜時的概率框架，開發(fā)了一運動模糊、亞像素攝像機運動、目標(biāo)邊穩(wěn)定的不確定性、未建模的徑向畸變和攝 1-2 Hayman 開發(fā)的適于攝像機運動的檢測算法

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文算法[13]。通過對背景圖像與當(dāng)前圖像關(guān)鍵點的匹配來估計概率密度函數(shù)要功能在于使背景模型適應(yīng)改變寬泛的光照變化，見圖 1-1[13]。圖 1-1 Guillot 提出適用于平移變焦相機的背景減法算法[13]ayman 給出了攝像機平移和傾斜時的概率框架，開發(fā)了一種用于處理各種統(tǒng)一方法，包括運動模糊、亞像素攝像機運動、目標(biāo)邊界上的混合像素噪聲引起的背景穩(wěn)定的不確定性、未建模的徑向畸變和攝像機的小平移-2 所示[14]。

圖 1-3 Ren 提出的實時跟蹤 PTZ 相機目標(biāo)算法[18]些方法中，通過將各種圖像配準(zhǔn)技術(shù)應(yīng)用到輸入幀中，構(gòu)造全景背并且通過圖像匹配算法找到全景圖像中當(dāng)前幀的位置。然后，以類的方式分割運動對象。 Cucchiara[12]和 Robinault[18]通過背景拼接比計攝像機的運動矩陣，并進(jìn)行前景分割。他們使用了不同類型的�？紤]到視差效應(yīng)產(chǎn)生的圖像配準(zhǔn)誤差問題。Kang[15]考慮攝像機的內(nèi)背景拼接，然而，攝像機的內(nèi)部參數(shù)并不在總是可用的，并且該方慮到可能的配準(zhǔn)誤差。為了解決配準(zhǔn)誤差和運動目標(biāo)魯棒性的問題用了圓柱拼接并且 Ren[17]提出了高斯空間分布。Hayman[14]考慮對單機過程的空間混合，包括信號和噪聲的總和，來解決可能的配準(zhǔn)誤 Guillot[13]通過修改背景模型的更新以及使用關(guān)鍵點匹配的方法提的適應(yīng)性。方法在提取運動目標(biāo)之前通常需要全景背景拼接。然而，基于背景有幾個限制。使用全景圖的基本假設(shè)包括足夠精確的運動模型、精以及無失真透鏡。此外，這些方法還存在背景適應(yīng)性、累積拼接誤、以及計算量大和時間問題。
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王天召;徐克虎;黃大山;;動態(tài)背景下的運動目標(biāo)檢測[J];計算機技術(shù)與發(fā)展;2013年07期

2 劉雪;常發(fā)亮;王華杰;;運動目標(biāo)檢測中的陰影去除方法[J];微處理機;2008年05期

3 鄭世友;費樹岷;劉懷;龍飛;;動態(tài)場景圖像序列中運動目標(biāo)檢測新方法[J];中國圖象圖形學(xué)報;2007年09期

相關(guān)博士學(xué)位論文 前4條

1 郭玲;智能視頻監(jiān)控中運動目標(biāo)檢測的算法研究[D];華南理工大學(xué);2013年

2 解曉萌;復(fù)雜背景下運動目標(biāo)檢測和識別關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2012年

3 鐘必能;復(fù)雜動態(tài)場景中運動目標(biāo)檢測與跟蹤算法研究[D];哈爾濱工業(yè)大學(xué);2010年

4 方挺;無人機協(xié)同編隊飛行中的視覺感知關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2008年

相關(guān)碩士學(xué)位論文 前3條

1 馬純;動態(tài)背景下的行人檢測與跟蹤研究[D];南京郵電大學(xué);2016年

2 張維新;基于背景建模的運動目標(biāo)檢測算法研究[D];南京信息工程大學(xué);2017年

3 陳楊;基于背景建模的動態(tài)場景運動目標(biāo)檢測算法研究[D];南京信息工程大學(xué);2017年

本文編號：2840972