發(fā)布時間：2025-02-09 17:42

　　在無人機集群對抗中,探測技術(shù)面臨著非常多的挑戰(zhàn)。首先,針對無人機這類低小慢目標(biāo),常規(guī)雷達難以達到有效檢測;其次,在跟蹤無人機集群時,對于出現(xiàn)的目標(biāo)間交叉、退出與進入場景均會導(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,實現(xiàn)探測到反制的有機統(tǒng)一也是關(guān)鍵難點。本論文對以上面臨的困難與挑戰(zhàn)進行深入分析,設(shè)計反無人機集群探測系統(tǒng),在有限計算力條件下,實現(xiàn)對無人機集群目標(biāo)的實時精準(zhǔn)探測,并進一步識別無人機集群幾何特征。課題結(jié)合深度學(xué)習(xí)在計算機視覺領(lǐng)域的突出性能表現(xiàn),設(shè)計并優(yōu)化多目標(biāo)實時檢測跟蹤算法,對無人機集群目標(biāo)宏觀幾何特征做出定義,設(shè)計算法進行集群特征識別。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)檢測跟蹤技術(shù)基本理論,還包括:1.針對檢測小型目標(biāo)時計算力與準(zhǔn)確率間的矛盾,在基于YOLO的檢測算法基礎(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,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小目標(biāo)不力的問題,同時保證了實時性檢測的速率。2.針對多目標(biāo)跟蹤任務(wù)中軌跡匹配精準(zhǔn)度低的問題,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...

【文章頁數(shù)】：85 頁

【學(xué)位級別】：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 無人機集群目標(biāo)識別的研究歷史與現(xiàn)狀
        1.2.1 目標(biāo)檢測技術(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 無人機集群目標(biāo)與特征識別技術(shù)
    2.1 無人機幾何特征
        2.1.1 單目標(biāo)無人機幾何特征
        2.1.2 集群目標(biāo)無人機幾何特征
    2.2 目標(biāo)檢測識別技術(shù)
        2.2.1 圖像特征檢測技術(shù)
            2.2.1.1 Harris角點特征檢測算法
            2.2.1.2 SIFT特征點檢測算法
            2.2.1.3 Sobel邊緣檢測算法
            2.2.1.4 Canny邊緣檢測算法
        2.2.2 目標(biāo)檢測跟蹤技術(shù)
            2.2.2.1 目標(biāo)檢測算法
            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)計與研究過程
    2.5 本章小結(jié)
第三章 基于深度學(xué)習(xí)的目標(biāo)檢測跟蹤算法研究
    3.1 基于YOLO的目標(biāo)檢測算法
        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)估計與軌跡處理方法
        3.2.3 軌跡匹配算法
    3.3 實驗結(jié)果
        3.3.1 實驗數(shù)據(jù)及訓(xùn)練過程
        3.3.2 實驗結(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)膜模型的圖像畫質(zhì)增強算法
        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 實驗結(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)點數(shù)學(xué)建模
    5.2 雙目視覺算法研究
        5.2.1 雙目視覺定位算法原理
        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)與特征識別算法
    5.4 實驗結(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



本文編號：4032623