本文關(guān)鍵詞：旋翼無人機(jī)對地目標(biāo)檢測與態(tài)勢估計方法研究

  更多相關(guān)文章： 四旋翼無人機(jī) 目標(biāo)檢測 多目標(biāo)跟蹤 改進(jìn)霍夫森林 態(tài)勢估計

【摘要】：旋翼無人機(jī)在人工智能領(lǐng)域的研究和應(yīng)用受到日益廣泛的重視,其中,無人機(jī)對地面多目標(biāo)的檢測、跟蹤及其全局態(tài)勢估計是關(guān)注的要點。本文針對無人機(jī)室內(nèi)自定位,對地面多目標(biāo)進(jìn)行快速檢測、跟蹤問題進(jìn)行了深入研究,并在此基礎(chǔ)上進(jìn)行無人機(jī)對地面目標(biāo)全局態(tài)勢估計的方法研究。首先,研究了無人機(jī)室內(nèi)及時準(zhǔn)確定位問題。采用Kalman濾波方法將光流信息和視覺地標(biāo)結(jié)果融合實現(xiàn)定位。用RANSAC方法提取地面特征,將特征點進(jìn)行逆投影變換,匹配為視覺地標(biāo),計算出無人機(jī)位置,通過Kalman濾波將其與光流傳感器信息融合,以在保證定位精度的同時提高定位速度。其次,結(jié)合支持向量機(jī)(SVM)方法,研究了無人機(jī)對地面運(yùn)動目標(biāo)的檢測方法。由于無人機(jī)飛行速度、姿態(tài)頻繁快速變化,使其對地面多運(yùn)動目標(biāo)的檢測要求實時性高、適應(yīng)性強(qiáng)。采用了背景建模方法提取前景目標(biāo),將其作為感興趣區(qū)域,在此基礎(chǔ)上以方向梯度直方圖(HOG)為特征,采用基于支持向量機(jī)(SVM)的多目標(biāo)檢測器對前景進(jìn)行檢測,在確保檢測準(zhǔn)確性的同時有效提高目標(biāo)檢測的實時性。再次,提出了一種基于改進(jìn)霍夫森林框架的多相似目標(biāo)跟蹤算法。針對單目視覺對多相似目標(biāo)的跟蹤算法因遮擋等因素影響而失效的問題,通過引入在線學(xué)習(xí)霍夫森林框架將目標(biāo)跟蹤轉(zhuǎn)化為軌跡關(guān)聯(lián)最大后驗概率問題,以實現(xiàn)對多相似目標(biāo)的持續(xù)跟蹤。通過在線采集多目標(biāo)樣本,提取目標(biāo)外觀和運(yùn)動特征構(gòu)建霍夫森林,進(jìn)行森林訓(xùn)練得到軌跡關(guān)聯(lián)概率,從而關(guān)聯(lián)多目標(biāo)軌跡。引入低秩逼近Hankel矩陣方法進(jìn)行軌跡校驗,進(jìn)行誤匹配軌跡修復(fù)。有效提高了單目攝像機(jī)對多個相似目標(biāo)有遮擋情況下跟蹤的準(zhǔn)確性和魯棒性。最后,采用隱形馬爾科夫模型對無人機(jī)感興趣區(qū)域內(nèi)多地面目的全局態(tài)勢進(jìn)行估計。對地面移動目標(biāo)進(jìn)行了建模分析,提取態(tài)勢要素,采用Baum-Welch算法進(jìn)行隱形馬爾科夫模型參數(shù)訓(xùn)練得到預(yù)測模型,應(yīng)用訓(xùn)練得到的模型對多目標(biāo)全局態(tài)勢進(jìn)行預(yù)測,進(jìn)而為四旋翼無人機(jī)搜尋并跟蹤目標(biāo)提供決策依據(jù)。
【關(guān)鍵詞】：四旋翼無人機(jī) 目標(biāo)檢測 多目標(biāo)跟蹤 改進(jìn)霍夫森林 態(tài)勢估計
【學(xué)位授予單位】：中國民航大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：V279
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-15
• 1.1 研究背景及研究意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 運(yùn)動目標(biāo)檢測研究現(xiàn)狀11-12
• 1.2.2 基于視覺的目標(biāo)跟蹤12
• 1.2.3 態(tài)勢估計研究現(xiàn)狀12-13
• 1.3 課題研究內(nèi)容13-15
• 第二章 基于光流和視覺地標(biāo)的定位算法15-25
• 2.1 無人機(jī)自主定位系統(tǒng)介紹15
• 2.2 基于光流和視覺地標(biāo)的定位算法15-21
• 2.2.1 視覺地標(biāo)全局定位算法16-19
• 2.2.2 光流傳感器定位19
• 2.2.3 視覺地標(biāo)與光流傳感器融合定位算法19-21
• 2.3 實驗及結(jié)果分析21-24
• 2.3.1 融合算法定位精度驗證21-23
• 2.3.2 算法實時性驗證23-24
• 2.4 本章小結(jié)24-25
• 第三章 基于結(jié)合SVM的快速運(yùn)動目標(biāo)檢測25-35
• 3.1 基于結(jié)合SVM的快速運(yùn)動目標(biāo)檢測算法框架25
• 3.2 HOG特征提取25-27
• 3.3 SVM多目標(biāo)檢測27-30
• 3.3.1 SVM核函數(shù)的選擇27-28
• 3.3.2 SVM多目標(biāo)檢測過程28-30
• 3.4 背景建模方法30-32
• 3.5 實驗及結(jié)果分析32-34
• 3.5.1 實驗環(huán)境32
• 3.5.2 結(jié)果分析32-34
• 3.6 本章小結(jié)34-35
• 第四章 基于改進(jìn)霍夫森林框架的多目標(biāo)跟蹤算法35-43
• 4.1 多目標(biāo)跟蹤方法35-36
• 4.2 霍夫森林算法36-38
• 4.2.1 霍夫森林樣本采集36-37
• 4.2.2 霍夫森林訓(xùn)練37-38
• 4.3 改進(jìn)霍夫森林算法38-40
• 4.3.1 改進(jìn)霍夫森林算法38
• 4.3.2 軌跡校驗及修復(fù)38-40
• 4.4 實驗及結(jié)果分析40-42
• 4.4.1 實驗數(shù)據(jù)和評價值指標(biāo)40-41
• 4.4.2 結(jié)果分析41-42
• 4.5 本章小結(jié)42-43
• 第五章 旋翼無人機(jī)對多地面目標(biāo)賽場態(tài)勢估計方法研究43-52
• 5.1 態(tài)勢估計分析方法43-45
• 5.1.1 態(tài)勢估計問題43-44
• 5.1.2 隱馬爾可夫模型態(tài)勢估計介紹44-45
• 5.2 態(tài)勢要素提取45-46
• 5.3 基于隱馬爾科夫模型的態(tài)勢預(yù)測46-47
• 5.3.1 模型參數(shù)學(xué)習(xí)46
• 5.3.2 態(tài)勢預(yù)測46-47
• 5.4 實驗及結(jié)果分析47-51
• 5.4.1 仿真平臺設(shè)計47-48
• 5.4.2 試驗分析48-51
• 5.5 本章小結(jié)51-52
• 結(jié)論52-53
• 參考文獻(xiàn)53-57
• 致謝57-58
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文58

，

本文編號：673182