基于卷积神经网络的无人机检测系统的研究与实现

发布时间：2023-08-14 19:09

　　消费级无人机的使用门槛低、管控少,黑飞现象成为不可忽视的问题。如何实现对黑飞的管控是一个迫切需要处理的难点。本文针对无人机检测系统进行了研究,分析了目前常用的目标检测算法和目标跟踪算法,针对KCF(Kernelized Correlation Filters)的特征问题和上下文感知跟踪算法的特征和响应问题进行了改进,搭建了无人机检测系统。主要研究工作如下:1.针对目标检测问题,说明了传统的基于人工特征和分类器结合的检测算法,并进一步说明了基于深度学习的检测算法,仿真验证了无人机检测系统采用的卷积神经网络的识别效果。2.对基于计算机视觉的目标跟踪问题进行了研究,针对KCF跟踪算法采用HOG(Histogram of Oriented Gradient)特征导致目标响应难以达到像素级定位问题,采用了二次抛物线模型近似拟合离散的目标响应,通过泰勒公式对拟合的连续曲线求极值得到连续曲线的极值点,并通过此极值点作为最终的目标响应极值,在OTB50数据集验证本算法可提高跟踪性能。相比KCF算法,精度提高了0.13%,成功率提高了1.4%。3.对于基于上下文感知的跟踪算法使用传统人工特征不能够很好表...

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    §1.1 课题的研究背景与意义
    §1.2 国内外研究现状
    §1.3 论文内容和结构
        §1.3.1 论文研究内容
        §1.3.2 论文结构安排
第二章 视频目标检测技术研究
    §2.1 传统的目标检测算法
        §2.1.1 人工特征
        §2.1.2 分类器
    §2.2 基于深度学习的目标检测算法
        §2.2.1 卷积神经网络
        §2.2.2 基于候选框的目标检测算法
        §2.2.3 基于回归的目标检测算法
    §2.3 本章小结
第三章 视频目标跟踪技术研究
    §3.1 目标跟踪算法
    §3.2 亚像素相关滤波目标跟踪算法
        §3.2.1 KCF目标跟踪算法原理
        §3.2.2 亚像素相关滤波跟踪算法
        §3.2.3 亚像素相关滤波目标跟踪算法仿真验证
        §3.2.4 无人机跟踪仿真测试
    §3.3 MFAPCE目标跟踪算法
        §3.3.1 CACT目标跟踪算法
        §3.3.2 基于深度特征与平均峰值相关能量的目标跟踪算法
        §3.3.3 MFAPCE算法仿真验证
        §3.3.4 无人机跟踪仿真测试
    §3.4 本章小结
第四章 无人机检测系统实现
    §4.1 系统概述
    §4.2 系统细节说明
        §4.2.1 系统软硬件搭建环境
        §4.2.2 检测跟踪方案分析
        §4.2.3 卷积神经网络模型训练与测试
        §4.2.4 视频采集
        §4.2.5 视频分析
        §4.2.6 云台控制
        §4.2.7 系统优化
    §4.3 系统测试
    §4.4 本章小结
第五章 总结与展望
    §5.1 工作总结
    §5.2 工作展望
参考文献
致谢
作者在攻读硕士期间的主要研究成果



本文编号：3841891