文献综述
一、引言
随着无人机技术的快速发展，人们对无人机技术的应用已经遍及各行各业。但无人机的“黑飞”、“滥飞”的事件严重危害了公共安全以及个人隐私，因此对于反无人机系统的研究有着十分重要的意义。无人机检测技术作为反无人机系统中至关重要的第一步，其为后续消除隐患所采取的措施提供了必要的前提。
本课题主要研究小型无人机探测相关算法，运用机器学习等算法。针对无人机典型的低小慢目标，具有尺寸小、飞行状态多变、飞行环境复杂等特点，为了能够对其进行有效的检测，本文选择了对基于视频图像的四旋翼小型无人机目标进行检测与跟踪。
近些年来，随着计算机视觉相关技术的迅速发展，针对视频中的目标检测研究主要分为两种思路：基于每一帧图片进行目标检测和基于视频的运动目标检测。
目前，基于视频的运动目标检测算法可分为：光流法，帧间差分法、背景建模法等。而基于每一帧图片的目标检测算法分成三大类：1.传统的目标检测组合算法：利用人工特征和分类器的结构以及上述方法的诸多改进、优化；2.以R-CNN为代表的基于区域提名的two stage的目标检测算法。3、以YOLO为代表的基于端到端学习的one stage的目标检测算法。前者是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类；后者则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。
同时，总体来说，视频目标跟踪主要由两种方法组成：生成类方法和判别类方法。生成类方法首先提取当前帧目标特征，生成目标的外观模型，通过此模型在新一帧图像进行匹配，在图像中与此模型最匹配的就是目标。而判别类方法采用机器学习和图像特征结合的方式，提取当前帧的正样本和负样本的图像特征，并通过机器学习的方法建立分类模型，在下一帧中通过此分类模型找到被跟踪对象所在的最优位置。
生成类方法比较著名的算法有卡尔曼滤波、粒子滤波、MeanShift等跟踪方法；相比之下，经典的判别类方法有Struck和TLD目标跟踪方法，判别类方法最新发展就是相关滤波（Correlation Filter）和深度学习(Deep ConvNet based)。
二、国内外研究现状
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
