论文总字数：27256字

摘 要

图像处理方面的研究已经十分广泛，而目标识别是图像处理技术一个研究前沿，应用于我们实际生活的方方面面。当目标识别技术与无人机图像相结合时，可以广泛的应用于军事领域、民用领域。本文研究对象为无人机拍摄的视频，要求检测出视频中的所有车辆。该视频具有视角不断变化，背景变换明显，受环境的影响大等特点，车辆检测难度非常大。问题的关键是如何兼顾检测的快速性与准确性。

本文首先对传统目标检测算法、基于候选区域的深度学习目标检测算法和基于回归的深度学习目标检测算法进行了对比，随后采用了已经经过改进的基于回归的目标检测深度学习算法YOLO v2。该算法首先对YOLO网络结构进行调整，去除全连接层，是一种19个卷积层和5个池化层组成的更加快速的新型网络结构darknet19，随后在原有的基础上实施了一系列改进措施，通过批量规范化、高分辨率分类器、卷积下的anchor 机制、维度聚类、直接位置预测、细粒度特征、多尺度训练等措施，大大的提高了检测的精度和速度。本文对YOLO v2做了详细的研究，训练了自己的数据集，成功的完成了对无人机拍摄的视频中的车辆的检测。整个检测过程速度较快，准确度较高。

关键词：目标识别；目标检测；无人机；深度学习

Abstract

Image processing research has been quite mature, and the target recognition technology is at the forefront of image processing technology, having a good practical effect, applied to all aspects of our real life. When the target recognition technology and UAV images combined, it can be widely used in the military field, civilian areas. The object of this research is the video of UAVs, the aim is to detect all the vehicles in the video. Because the background and Visual angle change obviously and the impaction of the environment is great, the detection of vehicles is very difficult. The key to the problem is how to take into account the speed and accuracy of testing.

In this paper, we first compare the traditional object detection algorithm、the depth learning object detection algorithm based on Region Proposal and the depth learning object detection algorithm based on regression. In this paper, we choose an improved YOLO v2 algorithm based on regression. The algorithm first adjusts a new network structure with 19 convolutional layers and 5 pooling layers. Then, a series of improvement measures were carried out, the accuracy and speed of detection are greatly improved by batch normalization 、High Resolution Classifier、Convolutional With Anchor Boxes、Dimension Clusters、Direct location prediction、Fine-Grained Features、Multi-Scale Training. YOLO v2 represents the highest level of contemporary object detection. This article has done a detailed study of YOLO v2, trained our own data. Now the detection of vehicles in the video of UAVs, is successful. The detection process is faster and more accurate.

KEY WORDS：target recognition; object detection; UAV; deep learning

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 无人机图像目标识别的背景 1

1.2 无人机图像目标识别的意义 1

1.3 无人机图像目标识别技术研究现状 2

1.3.1 国外研究现状 2

1.3.2 国内研究现状 3

1.4 项目目标 4

1.5 论文各部分内容概括 4

第二章 目标检测算法 6

2.1 传统的目标检测算法 6

2.1.1 区域选择 6

2.1.2 特征提取 7

2.1.3 分类器 7

2.2 基于候选区域的深度学习目标检测算法 7

2.2.1 R-CNN 8

2.2.2 SPP-NET 8

2.2.3 Fast R-CNN 9

2.2.4 Faster R-CNN 10

2.3 基于回归的深度学习目标检测算法 12

2.3.1 YOLO 12

2.3.2 SSD 13

2.4 本章小结 14

第三章 基于回归的改进的深度学习目标检测算法 16

3.1 YOLO V2检测目标更加精确 16

3.1.1 批量规范化 16

3.1.2 高分辨率分类器 17

3.1.3 卷积下的anchor 机制 17

3.1.4 维度聚类 18

3.1.5 直接位置预测 19

3.1.6 细粒度特征 20

3.1.7 多尺度训练 20

3.2 YOLO V2检测目标更加快速 21

3.3 本章小结 22

第四章 车辆检测与识别的具体实现 24

4.1 Ubuntu 、opencv 、CUDA简介 24

4.1.1 Ubuntu简介 24

4.1.2 OpenCV简介 24

4.1.3 CUDA简介 24

4.2 darknet程序 24

4.3 训练数据 25

4.3.1 数据库准备 25

4.3.2 相关文档准备 26

4.3.3 修改程序 26

4.3.4 开始训练 27

4.4 实验效果展示及分析 27

4.4.1 数据集一效果展示及分析 27

4.4.2 数据集二效果展示及分析 28

4.5 本章小结 31

第五章 总结与展望 32

5.1 总结 32

5.2 展望 32

致谢 33

参考文献 34

绪论

无人机图像目标识别的背景

图像是信息的载体，在人们的工作、生活中广泛的存在着，图片、视频等都是信息的客观载体，人类所接收信息的百分之八十都来自于视觉信息。我们能够清楚地判断出看到的物体是属于哪一类，因为我们的大脑会对看到的模拟信息加以处理。但是计算机对不同的事物并没有感性的认识，计算机能够识别的仅仅是一连串的数组，它很难判断出图像中的车辆或者人这一类的事物。图像中可能存在着目标，也可能不存在目标，目标的位置和形态也都是不可知的，图像处理技术就是让计算机拥有像人一样感性的能力。

随着人工智能的发展，在计算机视觉研究领域，图像识别技术已经成为了热门课题。传统的目标检测与识别技术基于图像分割，是图像分割和识别的结合。在很多场景中，目标的检测与识别不仅仅与目标本身有关系，还受到目标周围的环境的极大影响，比如：白天和黑夜的差别、光与影的差别等等；在某些场景中，背景变化极为明显，可能会存在形状、色彩相近的物体。这些都对目标检测与识别任务造成极大的影响。当目标较多时，检测难度会进一步增大。此时目标的自动提取和识别就显得很重要，目标检测与识别的准确性与实时性是整个系统的重要指标之一。

剩余内容已隐藏，请支付后下载全文，论文总字数：27256字