基于卷积神经网络的无人机目标检测算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第14-15页 |
| 缩略语对照表 | 第15-19页 |
| 第一章 绪论 | 第19-29页 |
| 1.1 研究的背景及意义 | 第19-21页 |
| 1.2 国内外研究现状及面临的主要问题 | 第21-24页 |
| 1.2.1 国内外研究现状 | 第21-23页 |
| 1.2.2 面临的主要问题 | 第23-24页 |
| 1.3 论文的主要工作及工作安排 | 第24-29页 |
| 1.3.1 论文的主要工作 | 第24-25页 |
| 1.3.2 研究内容 | 第25-26页 |
| 1.3.3 本文的创新点 | 第26-29页 |
| 第二章 目标检测的相关理论 | 第29-49页 |
| 2.1 引言 | 第29页 |
| 2.2 图像颜色理论模型基础 | 第29-31页 |
| 2.2.1 RGB及CMYK颜色模型 | 第29-31页 |
| 2.2.2 颜色模型的转换 | 第31页 |
| 2.3 HOG行人目标特征提取 | 第31-34页 |
| 2.4 SVM分类器 | 第34-39页 |
| 2.4.1 线性分类 | 第35-37页 |
| 2.4.2 线性不可分 | 第37-39页 |
| 2.5 深度学习相关理论 | 第39-44页 |
| 2.5.1 卷积神经网络 | 第40-42页 |
| 2.5.2 深度置信网络 | 第42-44页 |
| 2.6 系统硬件概述 | 第44-46页 |
| 2.6.1 嵌入式系统概述 | 第44-45页 |
| 2.6.2 DJI的经纬M100 | 第45-46页 |
| 2.6.3 JETSON TX1简述 | 第46页 |
| 2.7 本章小结 | 第46-49页 |
| 第三章 卷积神经网络的无人机目标检测算法研究 | 第49-65页 |
| 3.1 引言 | 第49页 |
| 3.2 数据库的筛选、设计以及实现 | 第49-51页 |
| 3.3 数据预处理 | 第51-57页 |
| 3.3.1 训练阶段数据预处理 | 第52-53页 |
| 3.3.2 网络搭建中输出层的改进 | 第53-57页 |
| 3.4 训练模型的框架搭建 | 第57-63页 |
| 3.4.1 多方法融合确定疑似行人目标 | 第58-61页 |
| 3.4.2 改进候选框的筛选规则 | 第61-63页 |
| 3.5 本章小结 | 第63-65页 |
| 第四章 目标检测算法的实验论证 | 第65-81页 |
| 4.1 引言 | 第65页 |
| 4.2 传统行人目标检测 | 第65-68页 |
| 4.3 改进算法的实验论证 | 第68-79页 |
| 4.3.1 本文算法行人无遮挡的实验论证 | 第68-70页 |
| 4.3.2 本文算法行人部分遮挡的实验论证 | 第70-72页 |
| 4.3.3 本文算法行人发生形变时的实验论证 | 第72-73页 |
| 4.3.4 本文算法行人小目标的实验论证 | 第73-76页 |
| 4.3.5 本文算法无人机目标的实验论证 | 第76-79页 |
| 4.4 本章小结 | 第79-81页 |
| 第五章 硬件系统的搭建和测试 | 第81-89页 |
| 5.1 引言 | 第81-82页 |
| 5.2 操作系统以及平台的搭建 | 第82-83页 |
| 5.2.1 硬件选择和连接 | 第83页 |
| 5.2.2 操作系统的安装以及硬盘挂载 | 第83页 |
| 5.3 4G网卡驱动的安装以及使用 | 第83-86页 |
| 5.4 硬件系统分析 | 第86-88页 |
| 5.5 本章小结 | 第88-89页 |
| 第六章 总结展望 | 第89-91页 |
| 6.1 本文的工作总结 | 第89-90页 |
| 6.2 论文的研究展望 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 致谢 | 第95-97页 |
| 作者简介 | 第97-99页 |
