發(fā)布時(shí)間：2025-02-09 17:42

　　在無(wú)人機(jī)集群對(duì)抗中,探測(cè)技術(shù)面臨著非常多的挑戰(zhàn)。首先,針對(duì)無(wú)人機(jī)這類(lèi)低小慢目標(biāo),常規(guī)雷達(dá)難以達(dá)到有效檢測(cè);其次,在跟蹤無(wú)人機(jī)集群時(shí),對(duì)于出現(xiàn)的目標(biāo)間交叉、退出與進(jìn)入場(chǎng)景均會(huì)導(dǎo)致軌跡難以準(zhǔn)確匹配;除此之外,如何從宏觀描述集群特征,實(shí)現(xiàn)探測(cè)到反制的有機(jī)統(tǒng)一也是關(guān)鍵難點(diǎn)。本論文對(duì)以上面臨的困難與挑戰(zhàn)進(jìn)行深入分析,設(shè)計(jì)反無(wú)人機(jī)集群探測(cè)系統(tǒng),在有限計(jì)算力條件下,實(shí)現(xiàn)對(duì)無(wú)人機(jī)集群目標(biāo)的實(shí)時(shí)精準(zhǔn)探測(cè),并進(jìn)一步識(shí)別無(wú)人機(jī)集群幾何特征。課題結(jié)合深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的突出性能表現(xiàn),設(shè)計(jì)并優(yōu)化多目標(biāo)實(shí)時(shí)檢測(cè)跟蹤算法,對(duì)無(wú)人機(jī)集群目標(biāo)宏觀幾何特征做出定義,設(shè)計(jì)算法進(jìn)行集群特征識(shí)別。綜上所述,課題的主要內(nèi)容除研究特征工程、深度學(xué)習(xí)與目標(biāo)檢測(cè)跟蹤技術(shù)基本理論,還包括:1.針對(duì)檢測(cè)小型目標(biāo)時(shí)計(jì)算力與準(zhǔn)確率間的矛盾,在基于YOLO的檢測(cè)算法基礎(chǔ)上,提出結(jié)合FPN和殘差網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù),采用大、中、小目標(biāo)分層檢測(cè),深、淺層網(wǎng)絡(luò)特征融合的技術(shù)路線,有效提升了算法檢測(cè)小目標(biāo)不力的問(wèn)題,同時(shí)保證了實(shí)時(shí)性檢測(cè)的速率。2.針對(duì)多目標(biāo)跟蹤任務(wù)中軌跡匹配精準(zhǔn)度低的問(wèn)題,在Kalman濾波算法的基礎(chǔ)上,提出結(jié)合余弦距離的軌跡匹配算...

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 無(wú)人機(jī)集群目標(biāo)識(shí)別的研究歷史與現(xiàn)狀
        1.2.1 目標(biāo)檢測(cè)技術(shù)的發(fā)展與現(xiàn)狀
        1.2.2 多目標(biāo)跟蹤技術(shù)的發(fā)展與現(xiàn)狀
        1.2.3 高/低動(dòng)態(tài)范圍圖像處理技術(shù)發(fā)展與現(xiàn)狀
        1.2.4 目標(biāo)三維重建技術(shù)發(fā)展與現(xiàn)狀
    1.3 本文的主要工作
    1.4 本論文的結(jié)構(gòu)安排
第二章 無(wú)人機(jī)集群目標(biāo)與特征識(shí)別技術(shù)
    2.1 無(wú)人機(jī)幾何特征
        2.1.1 單目標(biāo)無(wú)人機(jī)幾何特征
        2.1.2 集群目標(biāo)無(wú)人機(jī)幾何特征
    2.2 目標(biāo)檢測(cè)識(shí)別技術(shù)
        2.2.1 圖像特征檢測(cè)技術(shù)
            2.2.1.1 Harris角點(diǎn)特征檢測(cè)算法
            2.2.1.2 SIFT特征點(diǎn)檢測(cè)算法
            2.2.1.3 Sobel邊緣檢測(cè)算法
            2.2.1.4 Canny邊緣檢測(cè)算法
        2.2.2 目標(biāo)檢測(cè)跟蹤技術(shù)
            2.2.2.1 目標(biāo)檢測(cè)算法
            2.2.2.2 目標(biāo)跟蹤算法
    2.3 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
        2.3.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
            2.3.1.1 激活函數(shù)
            2.3.1.2 梯度下降與反向傳播算法
        2.3.2 深度學(xué)習(xí)
    2.4 總體設(shè)計(jì)與研究過(guò)程
    2.5 本章小結(jié)
第三章 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)跟蹤算法研究
    3.1 基于YOLO的目標(biāo)檢測(cè)算法
        3.1.1 YOLO網(wǎng)絡(luò)模型
        3.1.2 FPN算法
        3.1.3 Res-Net網(wǎng)絡(luò)模型
    3.2 基于Kalman濾波/匈牙利算法的軌跡匹配算法
        3.2.1 Kalman濾波理論
        3.2.2 狀態(tài)估計(jì)與軌跡處理方法
        3.2.3 軌跡匹配算法
    3.3 實(shí)驗(yàn)結(jié)果
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)及訓(xùn)練過(guò)程
        3.3.2 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第四章 基于深度學(xué)習(xí)的圖像處理技術(shù)研究
    4.1 HDR/LDR圖像處理技術(shù)
    4.2 基于生物視網(wǎng)膜模型的圖像畫(huà)質(zhì)增強(qiáng)算法
        4.2.1 自適應(yīng)卷積技術(shù)
        4.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)技術(shù)
        4.2.3 卷積核壓縮技術(shù)
    4.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
第五章 集群目標(biāo)三維重建算法研究
    5.1 集群目標(biāo)節(jié)點(diǎn)數(shù)學(xué)建模
    5.2 雙目視覺(jué)算法研究
        5.2.1 雙目視覺(jué)定位算法原理
        5.2.2 圖像矯正技術(shù)
            5.2.2.1 單應(yīng)性圖像矯正技術(shù)
            5.2.2.2 圖像配準(zhǔn)技術(shù)
    5.3 集群目標(biāo)幾何重構(gòu)與特征識(shí)別算法
    5.4 實(shí)驗(yàn)結(jié)果分析
    5.5 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)



本文編號(hào)：4032623