近年來隨著無人機技術(shù)不斷地發(fā)展,無人機已經(jīng)成為現(xiàn)代化戰(zhàn)爭中不可或缺的空中力量。目標檢測是無人機視覺系統(tǒng)的一項關(guān)鍵技術(shù),本文根據(jù)無人機任務(wù)規(guī)劃系統(tǒng)中對于海上目標檢測的需求,提出無人機海上目標檢測算法。傳統(tǒng)目標檢測算法在實際應(yīng)用中準確率和實時性上未能達到系統(tǒng)要求,鑒于深度學習近年來在圖像領(lǐng)域取得很多突破,使用卷積神經(jīng)網(wǎng)絡(luò)進行相關(guān)圖像處理已逐漸成為主流。本文將在Caffe框架下的目標檢測算法應(yīng)用到無人機航拍圖像來檢測海上目標,以突破傳統(tǒng)方法在實際應(yīng)用中存在的瓶頸。圖像預處理是進行海上目標檢測要完成的第一個階段性任務(wù),目標是保留或增強無人機航拍圖像中目標相關(guān)信息,去掉那些圖像中的無關(guān)信息。針對無人機實際航拍中拍攝到的圖像質(zhì)量良莠不齊的問題,本文通過畸變校正、平滑去噪及暗原色處理等操作對樣本數(shù)據(jù)集進行統(tǒng)一的預處理,解決了因鏡頭非線性失真、圖像噪點、霧霾雨雪天氣等造成圖像質(zhì)量降低的問題。本文第二階段是對預處理后的圖像進行目標檢測,即找出航拍圖像中所有預設(shè)的艦船類別目標�；谏疃葘W習的目標檢測算法分為兩大類:一類Two-Stage方法把目標檢測看做艦船目標分類和艦船位置回歸兩個子任務(wù),Faster ...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖1.1無人機示意圖

目標檢測是很多計算機視覺任務(wù)的前提，目前是一個研究熱點。但是在實際戰(zhàn)場環(huán)境中，無人機拍攝到的圖像往往受到光照、薄霧、遮擋等自然地理因素的影響，加上無人機和目標姿態(tài)尺度的變化，往往對之后檢測帶來了一定的困難，出現(xiàn)誤檢漏檢的情況。目前國內(nèi)對基于雷達圖像的識別檢測很多，但是針對圖像的較....

圖2.1感知器單元結(jié)構(gòu)

圖2.1感知器單元結(jié)構(gòu)閾值函數(shù)的設(shè)定非常簡單，首先設(shè)定一個閾值Z，當這個神經(jīng)元接受到相應(yīng)的輸入時，內(nèi)部進行一個wx+b的線性運算，之后得到的求和結(jié)果去跟預設(shè)閾值Z比較，大的輸出1，小的輸出0，從而達到二分類的效果。公式表示如下：………………………………………………....

圖2.2多層感知器模型示意圖

圖2.2多層感知器模型示意圖2.1.4反向傳播算法（BP）反向傳播算法其實前面介紹感知器和多層感知器的時候都有涉及到，反向傳播算法的發(fā)明可以說對于人工神經(jīng)網(wǎng)絡(luò)意義重大，是使其能從傳統(tǒng)機器學習算法中脫穎而出的一個因素。反向傳播算法其實是卷積神經(jīng)網(wǎng)絡(luò)尋找最近權(quán)值集合使用的算法，....

圖2.3CNN模型結(jié)構(gòu)示意圖

實際上這屬于一種貪心的求解方法，類似于下山問題，每次都選當前位置最陡峭的方向下山，所以可能最后會收斂到一組次優(yōu)的權(quán)值集合。而且還存在鞍點處難收斂等等問題，實際操作中往往在梯度下降的基礎(chǔ)上添加一些別的策略（mini-batchSGD、moment動量等），實際效果是使得訓練所需迭....

本文編號：3961902