目標檢測就是利用數(shù)字圖像的相關技術獲取圖像或視頻序列中特定目標的幾何特征以及統(tǒng)計特性等信息,實現(xiàn)對目標的分割和提取。隨著現(xiàn)有無人機技術不斷取得突破性進展,國內(nèi)的無人機市場也將迎來爆發(fā)式的增長。對于國家軍事應用來說,無人機目前已經(jīng)成為了一種新型空中支援力量,然而目標檢測又是其中的一項關鍵技術。同樣伴隨著計算機科學技術的迅猛發(fā)展和數(shù)字圖像處理技術在各個領域的廣泛應用,利用數(shù)字圖像處理技術對無人機獲取的圖像中感興趣目標進行實時、高效的檢測也逐漸成為許多高校、研究機構的熱門方向。對特定目標進行動態(tài)、實時以及穩(wěn)定的檢測和定位在現(xiàn)代交通管理、小區(qū)監(jiān)控、校園安保、國家軍事應用以及醫(yī)學輔助導航手術等方面具有廣泛的實際應用價值。但是無人機機載系統(tǒng)智能化處理能力明顯不足,比如:實時動態(tài)目標檢測、跟蹤以及定位。因此研究高效率、高精度的無人機目標檢測算法具有重要的理論意義和工程應用價值。針對以上問題,本文針對行人目標遮擋處理、形變以及小目標檢測提出新的解決方案,提出了基于預處理和目標優(yōu)先定位相結合的卷積神經(jīng)網(wǎng)絡目標檢測算法;利用NVIDIA的Jetson TX1的高性能處理器結合GPU加速,保證了基于卷積神經(jīng)... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：99 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究的背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及面臨的主要問題
        1.2.1 國內(nèi)外研究現(xiàn)狀
        1.2.2 面臨的主要問題
    1.3 論文的主要工作及工作安排
        1.3.1 論文的主要工作
        1.3.2 研究內(nèi)容
        1.3.3 本文的創(chuàng)新點
第二章 目標檢測的相關理論
    2.1 引言
    2.2 圖像顏色理論模型基礎
        2.2.1 RGB及CMYK顏色模型
        2.2.2 顏色模型的轉換
    2.3 HOG行人目標特征提取
    2.4 SVM分類器
        2.4.1 線性分類
        2.4.2 線性不可分
    2.5 深度學習相關理論
        2.5.1 卷積神經(jīng)網(wǎng)絡
        2.5.2 深度置信網(wǎng)絡
    2.6 系統(tǒng)硬件概述
        2.6.1 嵌入式系統(tǒng)概述
        2.6.2 DJI的經(jīng)緯M100
        2.6.3 JETSON TX1簡述
    2.7 本章小結
第三章 卷積神經(jīng)網(wǎng)絡的無人機目標檢測算法研究
    3.1 引言
    3.2 數(shù)據(jù)庫的篩選、設計以及實現(xiàn)
    3.3 數(shù)據(jù)預處理
        3.3.1 訓練階段數(shù)據(jù)預處理
        3.3.2 網(wǎng)絡搭建中輸出層的改進
    3.4 訓練模型的框架搭建
        3.4.1 多方法融合確定疑似行人目標
        3.4.2 改進候選框的篩選規(guī)則
    3.5 本章小結
第四章 目標檢測算法的實驗論證
    4.1 引言
    4.2 傳統(tǒng)行人目標檢測
    4.3 改進算法的實驗論證
        4.3.1 本文算法行人無遮擋的實驗論證
        4.3.2 本文算法行人部分遮擋的實驗論證
        4.3.3 本文算法行人發(fā)生形變時的實驗論證
        4.3.4 本文算法行人小目標的實驗論證
        4.3.5 本文算法無人機目標的實驗論證
    4.4 本章小結
第五章 硬件系統(tǒng)的搭建和測試
    5.1 引言
    5.2 操作系統(tǒng)以及平臺的搭建
        5.2.1 硬件選擇和連接
        5.2.2 操作系統(tǒng)的安裝以及硬盤掛載
    5.3 4G網(wǎng)卡驅動的安裝以及使用
    5.4 硬件系統(tǒng)分析
    5.5 本章小結
第六章 總結展望
    6.1 本文的工作總結
    6.2 論文的研究展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]實時目標檢測算法YOLO的批再規(guī)范化處理[J]. 溫捷文,戰(zhàn)蔭偉,凌偉林,郭燦樟.  計算機應用研究. 2018(10)
[2]基于YOLO v2的無人機航拍圖像定位研究[J]. 魏湧明,全吉成,侯宇青陽.  激光與光電子學進展. 2017(11)
[3]基于卷積神經(jīng)網(wǎng)絡的監(jiān)控視頻人數(shù)統(tǒng)計算法[J]. 馬海軍,王文中,翟素蘭,羅斌.  安徽大學學報(自然科學版). 2016(03)
[4]基于深度卷積神經(jīng)網(wǎng)絡的行人檢測[J]. 芮挺,費建超,周遊,方虎生,朱經(jīng)緯.  計算機工程與應用. 2016(13)
[5]深度學習研究進展[J]. 劉建偉,劉媛,羅雄麟.  計算機應用研究. 2014(07)
[6]自適應多模快速背景差算法[J]. 梁華,劉云輝.  中國圖象圖形學報. 2008(02)
[7]基于無人機圖像的實時人工目標檢測[J]. 朱劍佑.  無線電工程. 2007(10)

博士論文
[1]基于計算機視覺的目標檢測跟蹤及特征分類研究[D]. 楊超宇.中國礦業(yè)大學(北京) 2017
[2]無人機圖像中的典型目標檢測與變化檢測方法研究[D]. 蘇昂.國防科學技術大學 2016
[3]基于視覺感知的無人機目標識別與跟蹤技術研究[D]. 王海羅.北京理工大學 2015
[4]航拍視頻運動目標檢測與跟蹤方法研究[D]. 仝小敏.西北工業(yè)大學 2015
[5]基于計算機視覺的復雜場景下目標跟蹤研究[D]. 賀文驊.西安電子科技大學 2015

碩士論文
[1]基于HOG的多特征融合行人檢測跟蹤系統(tǒng)[D]. 夏鵬飛.南昌航空大學 2017
[2]基于視頻的行人檢測方法研究[D]. 單志軍.中北大學 2017
[3]基于深度學習的目標檢測研究[D]. 付若楠.北京交通大學 2017
[4]基于卷積神經(jīng)網(wǎng)絡的目標跟蹤技術研究[D]. 唐爽碩.大連理工大學 2017
[5]基于無人機視頻的運動車輛檢測研究[D]. 王妍.北京交通大學 2017
[6]基于神經(jīng)網(wǎng)絡的行人檢測方法研究[D]. 胡洋.西北大學 2017
[7]基于卷積神經(jīng)網(wǎng)絡的行人檢測方法研究[D]. 劉鍵.哈爾濱工業(yè)大學 2017
[8]基于深度學習的目標檢測系統(tǒng)的研發(fā)[D]. 韓飛騰.首都經(jīng)濟貿(mào)易大學 2017
[9]基于卷積神經(jīng)網(wǎng)絡的人體檢測方法研究[D]. 孫秀偉.大連海事大學 2017
[10]基于無人機視覺的運動目標檢測及跟蹤算法研究[D]. 張仁蒲.長安大學 2017



本文編號：3013603