论文部分内容阅读
由于基本的空中交通管理和飞行器违规行为的增加,特定环境交通活动的自动分析成为当务之急。在许多空中交通监控技术中,基于计算机视觉的方法已经引起了人们的广泛关注。其中,无人机识别作为计算机视觉领域的一个方向,无论军用还是民用方面都具有广泛的研究意义和应用价值。无人机识别技术主要是将监测系统所拍摄得到的图像进行分析和加以处理,从中正确识别出无人机目标。本文主要研究了基于浅层机器学习模型和深度卷积神经网络模型的无人机识别算法的设计与实现,从而完成无人机图像分类与检测识别的任务。 对于无人机的识别研究主要包含两个方面:特征提取和分类器设计。本文分析了基于梯度方向直方图(Histogram of Oriented Gradients,HOG)、局部二值模式(Local Binary Pattern,LBP)和形状的特征提取方法,并结合支持向量机(Support Vector Machines,SVM)算法来实现图像的识别与分类。实验表明,基于HOG特征、LBP算子和形状特征的目标识别算法能够对无人机进行比较准确地分类,取得了良好的效果。另外,还分析验证了飞行姿态和光照强度对无人机目标识别的影响。 对于复杂场景下,无人机检测也是一个具有挑战性任务。本文提出了级联深层多任务网络框架,有效结合了无人机检测和机翼端特征点,利用它们之间的内在联系来提高识别性能。该框架由两个卷积神经网络组成:一个用于无人机状物体提取的浅层全卷积区域推荐网络和精确输出网络。整个网络框架被分开训练,但在测试阶段由两个网络共同优化联合完成。即对输入图像以全卷积浅层网络区域推荐算法生成一组候选框,并通过局部非极大值抑制和边框回归确定候选框,对候选框进行初步筛选,去掉冗余候选框,再将其输入到第二阶段的深度网络细化处理,最终得出优化的检测结果并输出机翼标志位。实验表明,本文所提出的模型能够检测出不同姿态的无人机,而且一定程度上能够处理遮挡的情况,同时对于特定视角和大小的无人机,也能够准确定位出其机翼位置,具有良好的识别性能。