- 上一篇：电动汽车国内外研究现状综述
- 下一篇：利率市场化对商业银行影响国内外研究现状
目标检测的研究现状目标检测算法已经有了很多研究，检测技术比较成熟。常用的目标检测算法使用滑动窗口扫过整个图像，判别当前窗口内是否为所要检测的目标。用该方法检测目标位置时，常需要配合机器学习算法，通过搜集足量的关于感兴趣目标的正负样本，提取样本的特征，用一定的机器学习算法对样本进行学习，训练分类器。把此分类器用于采集到的图像，判断当前窗口的类别。42168
用机器学习的方法进行目标检测，第一步是搜集感兴趣目标的正负样本，所谓正样本，指的是实践应用中感兴趣的目标的图片，而负样本是不含有目标的图片，往往是其他类型目标、图像背景等。由于原始样本往往数据量较大，而且不能直观反映同类样本间的共同性质、不同类样本间的不同性质，机器学习算法很少直接对正负样本原始数据进行学习，而是提取样本的特征[9]。特征是目标区别于其他事物的属性，目前广为采用的特征主要有以下：
（1）颜色特征。颜色特征是最简单直观[2]，基于像素点的全局特征，根据图像中点的像素值得到。最常用的颜色特征是颜色直方图，它描述了不同色彩在图像中所占的比例。颜色直方图反映了目标颜色的分布，并且具有旋转、平移不变性，不足之处在于不包含空间信息，即丢失了像素点间的位置关系。图1.2给出了一幅图像与其颜色直方图的例子。
图1.2 颜色直方图示例
（2）边缘特征[3]。边缘指的是图像中各种物体的边界，它能反映目标的轮廓。Canny边缘检测是常用的算子。边缘特征的优点是对光照变化不敏感。图1.3给出了一个边缘特征的例子。
边缘图像示例
（3）基于区域的特征[4]。基于区域的特征是近年来研究最多、应用最多的特征。比较成功的特征有Hog(Histogram of Oriented Gradient)特征。Hog特征反映了目标图像梯度的强度与方向，能够很好的描述目标与背景的区别。同样常用的区域特征还有Haar特征等。Harr特征描述的是目标像素各个局部和之间的差。例如在检测人脸时，人眼睛出的像素和要比其他部分要暗很多，以此可以反映目标与背景的区别。论文网
提取特征的特征供机器学习算法学习，并把学习的结果用于给未知类别的输入进行分类。机器学习算法也一直是研究的重点，常见的算法有SVM[5]，Adaboost[6]等。将在后面的章节中做出介绍。
1.2.2 基于无人机平台的目标检测的相关研究
将无人机与视觉技术相结合来解决实际问题的研究受到越来越多的重视。主要应用方向分为两类。
一类是用于在各种环境中检测感兴趣的目标，以达到获取信息、自动处理的目的。例如，无人机活动范围大、灵活机动的特点适合于海面上任务，为了能够及时在海洋上发现一般目标，Frederik S. Leira使用了机载嵌入式设备来运行他们的算法[7], 在线处理搜集到的视频。算法的准确率召回率均在90%以上，但在普通摄像头外还使用了热成像摄像头。基于无人机的目标检测技术还被用于交通领域[8]。无人机可以从上方获取路上的车辆信息，如检测车辆并计数。Thomas Moranduzzo[10]在他们的论文中提出了一种从无人机航拍的高分辨率视频中检测交通车辆并计数的方法。在Konstantinos Kanistras[7]等人的关于使用无人机进行交通检测调查中，他们认为无人机对交通检测是很有用处的，并且这种“有用”是得益于无人机的机动性和无线网络的发展。此外，在精细农业领域无人机也很受欢迎。它被用于检测棕榈树，葡萄架分布等[11][12]。更有价值的利用是用无人机遍历果园，来估测整个园里植物生长状况或是收成。