论文部分内容阅读
近年来小型无人机在气象探测、地图测绘、边境控制、森林火灾防救、灾害监测、农药喷洒、交通管制和地质勘测等领域具有广泛的应用价值。无人机可见光图像目标小、对比度弱、背景复杂多变,小目标可能完全淹没在背景噪声中,在这种复杂背景的条件下,检测出小目标变得非常困难。针对上述问题本文首先对小目标图像进行初始分割,将小目标从背景中分割出来,接着进行SLIC(Simple Linear Iterative Clustering)精细分割,分割出容易隐藏在背景中的小目标,然后采用 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法剔除部分虚假目标,提出一种基于SVM(Support Vector Machine)支持向量机的小目标检测方法,本文的主要工作包括:1.小目标分割。针对小型无人机图像对比度弱的问题,对小目标图像进行光线增强。然后对小目标图像进行滤波,形态学变换将小目标从背景中分割出来。小目标尺寸比较小,容易隐藏在背景中,接着对小目标图像进行SLIC精细分割,将小目标图像分割成超像素单元。把超像素单元的亮度空间作为聚类特征,采用DBSCAN聚类算法对分割成的超像素单元进行聚类,剔除部分虚假目标。2.小目标特征提取。小目标尺寸比较小,直接提取HOG、LBP等特征具有很大的难度。传统的方法直接将均值、方差、信息熵作为SVM支持向量机的输入训练SVM支持向量机,实践证明该方法不能应对复杂场景。本文提取小目标的均值、方差、信息熵等特征,将它们进行特征融合后作为系统的输入,提出了一种改进的特征训练方法训练SVM支持向量机。3.小目标识别算法移植。针对工程的可应用性进行了移植验证,将小目标识别算法移植到DM642平台上。同时考虑到本次设计的实时性要求,借助RF5参考框架新建三个任务,分别实现视频的采集、处理、显示任务,三个任务相互配合实现小目标的检测。实验结果表明:算法在复杂场景也具有一定的准确率,满足实时性要求。