基于无人机平台的动态目标检测系统开发
| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第15-22页 |
| 1.1 背景及研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.3 研究目标及内容 | 第19-20页 |
| 1.3.1 研究目标 | 第19-20页 |
| 1.3.2 研究内容 | 第20页 |
| 1.4 章节安排 | 第20-22页 |
| 2 动态目标检测系统总体设计 | 第22-31页 |
| 2.1 引言 | 第22页 |
| 2.2 系统总体方案 | 第22-23页 |
| 2.3 硬件系统选型 | 第23-28页 |
| 2.3.1 嵌入式系统控制中心 | 第23-25页 |
| 2.3.2 数据采集控制系统硬件选型 | 第25-27页 |
| 2.3.3 无人机平台 | 第27-28页 |
| 2.4 软件系统设计 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 动态目标检测方法 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 传统目标检测方法 | 第31-36页 |
| 3.2.1 光流法 | 第31-33页 |
| 3.2.2 帧差法 | 第33-34页 |
| 3.2.3 背景差分法 | 第34-35页 |
| 3.2.4 匹配法 | 第35-36页 |
| 3.3 基于深度学习的目标检测方法 | 第36-42页 |
| 3.3.1 卷积神经网络 | 第37-39页 |
| 3.3.2 R-CNN系列目标检测模型 | 第39-40页 |
| 3.3.3 实时目标检测模型 | 第40-42页 |
| 3.4 目标检测技术的适用性分析 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 深度神经网络目标检测模型训练 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 实时目标检测模型的训练与测试 | 第45-51页 |
| 4.2.1 训练数据集 | 第45-46页 |
| 4.2.2 车辆数据集制作 | 第46-48页 |
| 4.2.3 YOLO的训练 | 第48-49页 |
| 4.2.4 SSD的训练 | 第49-50页 |
| 4.2.5 模型对比分析 | 第50-51页 |
| 4.3 基于嵌入式平台网络模型压缩改进 | 第51-56页 |
| 4.3.1 网络加速策略 | 第51-52页 |
| 4.3.2 网络加速结果分析 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 原型系统的实现 | 第57-73页 |
| 5.1 引言 | 第57页 |
| 5.2 硬件系统的实现 | 第57-71页 |
| 5.2.1 硬件系统的主要结构 | 第57-58页 |
| 5.2.2 姿态信息解算 | 第58-69页 |
| 5.2.3 GPS/北斗的地理坐标提取 | 第69-71页 |
| 5.3 动态目标检测系统的实现 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 6 结论 | 第73-75页 |
| 6.1 全文总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-77页 |
