【摘 要】
：
随着无人机技术的发展,无人机拍摄在航空摄影,地形测绘,军事侦察等方面具有广泛的应用前景。本文主要研究无人机俯拍视频中的目标识别问题,分析现有的运动目标识别方法,提出融合目标跟踪与图像识别的运动目标识别方法。以无人机俯拍视频中的运动目标作为研究对象,进行跟踪标定及分类识别。针对识别方法的实时性问题,提出基于数据去冗余的改进方法,通过仿真实验验证基于视频流的无人机目标识别方法。本文主要研究内容如下:（
论文部分内容阅读
随着无人机技术的发展,无人机拍摄在航空摄影,地形测绘,军事侦察等方面具有广泛的应用前景。本文主要研究无人机俯拍视频中的目标识别问题,分析现有的运动目标识别方法,提出融合目标跟踪与图像识别的运动目标识别方法。以无人机俯拍视频中的运动目标作为研究对象,进行跟踪标定及分类识别。针对识别方法的实时性问题,提出基于数据去冗余的改进方法,通过仿真实验验证基于视频流的无人机目标识别方法。本文主要研究内容如下:（1）针对目标跟踪过程与目标识别过程的实时性问题,提出基于视频流的无人机目标识别方法,设计跟踪识别策略。无人机目标识别方法由三个部分组成:目标跟踪标定,目标特征提取及目标图像识别;采取先实时跟踪,后分类识别的步骤,避免目标图像识别方法与目标跟踪方法互相挤占时间。（2）针对无人机目标跟踪的光照干扰问题采用了基于视频流的目标跟踪方法,设计视频流目标跟踪策略,通过均值漂移算法进行目标跟踪;针对目标跟踪的耗时问题,提出了融合关键帧的去冗余视频流目标跟踪方法,结合自适应关键帧算法,通过设置阈值筛除冗余视频帧。（3）针对目标特征提取的小目标问题,采用了基于HOG的目标特征提取方法,设计HOG特征提取策略,设置滑动窗口参数,提取目标图像的HOG特征;针对目标特征的冗余问题,提出融合PCA的HOG区间优化特征提取方法,筛除冗余优化特征。（4）针对目标图像的识别耗时问题,通过基于SVM的目标图像识别方法对目标图像特征进行分类识别;针对目标图像的去冗余特征识别问题,采用基于非线性核函数的目标特征降维识别方法,调整核函数参数,缩短分类器训练耗时,对目标进行高效识别。
其他文献
人机交互技术（Human-Computer Interaction,HCI）已成为21世纪信息领域亟需解决的重大课题和当前信息产业竞争的一个焦点,世界各国都将人机交互技术作为重点研究的一项关键技术。本课题面向机械装配作业,以减速器轴系的装配为研究对象,展开对装配作业中作业手势的识别研究工作,分析装配作业中手部的变化,结合装配作业手势复杂多变、遮挡、混叠、姿态相似等特点,对装配作业手势数据进行双维度
大尺寸超薄玻璃基板是战略新兴产业-电子信息显示产业最重要的基础材料之一,其生产过程中出现高度变化过大的问题,导致信息显示器件关键组件的缺陷,直接影响所显示图形的质量,甚至造成次品和废品的产生。因此,针对玻璃基板表面高度信息获取方法的研究就至关重要。目前主要采用非接触式测量,其中光谱共焦技术因在测量中具有快速性、准确性高等特点得到更多的关注。本文提出基于光谱共焦测量原理的玻璃基板表面高度信息获取的方
分析细胞的形态参数在疾病诊断、健康监测中具有非常重要的意义。而在智慧医疗、即时检测等应用中,无透镜成像系统以其成本低、便携性好等特点表现出强大的优势。但获取细胞形态参数的常规方法难以用于无透镜成像系统,因此研究针对该系统采集的细胞图像进行细胞边缘检测的方法具有重要的意义。无透镜成像系统在采集微小样品时存在的衍射干扰会掩盖采集样品的真实形态信息,不能直接获得形态参数。但采集图像中的衍射是由于光在遇到
运动物体视频图像包含着许多重要的信息数据,而高速运动物体由于速度较快,其运动图像存在采集失真、处理复杂以及分析效果差等方面的问题。本课题以高速运动物体为研究对象,分别进行了图像识别与图像压缩方法的研究,并选取实际工业中的3D打印机高速移动激光点红外图像和高速运动固定翼无人机视频图像分别进行了算法验证及结果分析。主要研究内容如下:（1）分析了高速运动物体图像特征及图像识别过程,提出了基于改进卷积神经
随着人工智能的日益发展壮大,很多室外视觉系统也在逐步进步并且发展,因此实时的天气状况也影响着基于图像数据的室外监控、天气预测、灾害预警、自动驾驶以及场景理解等领域,使计算机通过图像更加拟人化、智能化的进行天气分类已成为计算机视觉领域备受瞩目的研究课题之一。基于此,本文使用深度学习网络,从基本天气类型分类以及恶劣天气细粒度分类两个方向出发,构建了相关的分类预测模型,使得计算机能够通过数据驱动的自动学
高速运动物体具有速度快、运动非线性等特点,对于高速运动物体的跟踪具有广泛的应用场景,如生物医学、能源化工、军事目标检测与拦截等。虽然目前众多学者在高速运动物体跟踪领域的研究取得了一定成果。Camshift是Meanshift的改进算法,解决了跟踪框无法变化的问题,同时利用HSV代替RGB,一定程度的解决了光线干扰的问题。但是对于高速运动物体的跟踪,使用Camshift算法会遇到两个问题,一是Cam
随着电子信息技术的发展,集成电路芯片被广泛应用于军事和民生等领域,对国家和社会安全发挥着重要的作用。集成电路设计与生产相互分离、各模块设计相互独立的产业模式,使得芯片不可避免地存在硬件安全隐患。硬件木马是指在芯片设计或制造过程中对电路进行有意的修改或植入的结构,导致电路出现恶意的行为。硬件木马的危害巨大,因此研究硬件木马检测技术可以保证芯片安全,对国家和社会安全具有重要的意义。本文首先基于AES加
随着人工智能的发展,基于深度学习的众多领域不再过分依赖于大量数据,其能够利用以往的经验针对新的问题从少量的样本中进行有效的学习。在现实中,人们也将必然面临更多数据不足的问题,因此如何让机器像人类一样能够通过已有的学习经验快速从少量标签样本中进行有效学习实现分类,成为一个重要的研究方向。在近几年,小样本的分类算法层出不穷,从迁移网络、度量空间以及数据增强等方向的研究都有了很多突破性的进展。但是,基于
近年来,随着智慧城市的不断建设,目标跟踪越发重要。视觉目标跟踪需要在视频序列的每一帧实现对目标的定位与跟踪。复杂环境及目标自身变化等问题是目标跟踪技术面临的困难。因此,视觉目标跟踪领域的重点任务就是研究具有较高精确度与稳定性与目标跟踪算法。相关滤波类跟踪算法由于兼具高速与高精确度,受到了学者们的广泛关注和研究。然而,现有相关滤波类跟踪算法仍存在以下问题:一是边界效应会使训练样本对目标表示偏离真实,