本文是一篇计算机论文，本研究介绍了传统目标检测算法 SIFT，SURF 等，以及基于深度学习的两类目标检测检测算法—两步式和一步式，并比较了各类算法之间的优劣之处。随后选择了基于一步式的深度学习目标检测算法—YoloV4，并对其基于本研究做出了专门的改进，提出了 Single-Yolov4，并设计了实验用以验证提出的算法在识别目标上的有效性和准确性，给出 Single-Yolov4 的Loss 曲线图和 mAP 对比表。
第一章 绪论
1.1 研究背景与意义
无人机（UAV，Unmanned Aerial Vehicles），直译是没有人的空中飞行器。一般情况下，无人机有两种飞行的模式：第一，通过 PC 端组成无人机地面控制站，对无人机飞行进行实时远程遥控操作。这种模式优势在于无人机飞行过程中能够与地面控制站交换信息，借助地面站强大计算能力获取飞行所需额外信息，此时，无人机能够执行更为复杂的任务。这种飞行模式不足之处是无人机缺少自主能力，飞行过程中若与地面站失去联系，便失去了控制，无法实现既定的复杂任务目标。第二，由无人机搭载的计算机系统对自身飞行进行独立控制。这种模式优点是无人机有着较强的自主能力，面对突发状况时有着一定的应付能力，缺点是无法执行复杂的计算。
无人机飞行技术发展的早期起源时期位于第一次世界大战[1]。在那个时代，使用动力进行飞行还处于起步阶段。1903 年末，莱特兄弟(Wright)的“飞行者—1 号”飞上蓝天；1917年，彼得库珀等人发明了自动陀螺稳定器，该装置能够让飞行器在向前飞行的时保持平衡。在这十年间的发展之下，无人机的概念最后终于诞生。与传统飞机相比，无人机在执行任务时无需考虑人体的生理耐受极限，节省了更多的人力。此外，无人机具有很强的生存能力、良好的机动性和便捷的使用性，使得无人机理所当然地成为人们所关注的焦点。
根据飞行无人机的飞行传动平台及其结构的不同[2]，无人机的类型大致可分为固定翼式无人机、扑翼式无人机、旋翼式无人机。其中，固定翼式无人机升力来自其两侧机翼与空气相对运动，由于机翼的特定形状，导致其在向前运动时机翼上方的压力小于机翼下方的压力，当这种压力差大于机身重量时，便可将固定翼式无人机送上天空。因此，固定翼无人机在起飞前需要达到了一定的速度条件。由于固定翼式无人机的飞行原理，它的飞行速度是上述的几种无人机分类类型中较快的，运载能力也是较强的，在遇到高强度任务需求场景时，例如电力巡检、公路监控、航空测绘、灾害救援等，首先会考虑选择固定翼式无人机来作为完成任务的工具。然而，固定翼式无人机的缺点是机动性和灵活性的不足，在起飞和降落时需要一段跑道，再加上固定翼式无人机由于较快的飞行速度，导致在空中飞行转向时需要较大的转向半径等问题，限制了其使用场景。
...........................
1.2 无人机目标跟随技术
1.2.1 基于 INS 辅助的跟随技术
基于惯性导航系统（INS）的跟随技术，使用了多旋翼式无人机的惯性测量单元(IMU)来工作。IMU 利用多旋翼式无人机上搭载的多个加速度计来检测当前机身各个方向上的加速度，使用多台陀螺检测仪检测机身旋转属性的变化，实时监测机身俯仰、滚动和偏航等动作。基于 IMU 的辅助定位的方法，本质上属于位置推算，由于位置解算是基于积分的，这会导致上一次的计算误差将会累积到本次计算之中，最终导致计算结果中包含的误差会随着时间累积不断的增大。因此，基于 IMU 的辅助定位方法的工作时间越长，对于位置的解算就越不精确，从而导致无人机发生漂移现象，所以在无人机导航系统中，往往不会单独地只使用惯性导航系统，而是结合 GPS 共同使用。但是如何使得惯性导航系统和 GPS 更好的搭配工作，以实现两个系统之间的互补更新，可进行对比研究和分析的方向有很多。
根据不同的滤波器，不同程度的传感器耦合和不同的滤波观量特征，INS/GPS 组合导航存在着多种不同的分类：根据使用不同的滤波器种类，INS/GPS 可以分为基于卡尔曼滤波系列[4]的和基于粒子滤波的 INS/GPS 组合导航[5]；而根据滤波器观量特征不同，INS/GPS 组合导航还可以分为基于直接法的组合导航和基于间接法的组合导航。各种不同的 INS/GPS 组合导航结合方案有着各自独特的优缺点，在复杂多变的场景中，不同的滤波类型的很大程度的影响了无人机在追踪目标时的的稳定性和导航的精确性。因此，各种不同的组合方式应用到无人机目标跟随上时，将会有不同的效果。本文中将使用无人机自身搭载的 IMU 系统以获取无人机的飞行姿态。
.........................
第二章 视觉跟随技术基础
2.1 摄像机成像原理与模型
尽管摄像机种类花样繁多，琳琅满目，然而这些相机的成像原理是一样的——小孔成像原理。当我们在使用摄像机拍摄物体时，照射到被拍摄物体上的反射光，经过照相机的镜头后将聚集在摄像机内部的感光元器件上，形成一个倒立的，缩小的实像。老式相机使用胶卷作为感光器件记录物体拍摄后的图像，现代的数码相机或单反相机早已抛弃使用胶卷，转而使用数字方式存储拍摄后的图像，这类数字式存储方式主要使用的感光元器件分为两类：CCD和 CMOS。
CCD 的中文名称是“电荷耦合器件”，现代数码相机使用它取代老式胶卷，与胶卷成像原理不同的是，电荷耦合器件没有能力记录拍摄的图像数据，数码相机将拍摄所得图像数据输入 A/D 转换器进行处理后，图像数据最后会被存储在数码相机的存储介质中（一般为 SD卡）。CMOS（互补金属氧化物半导体）的工作原理是，当外界的光线照射到内部像素阵列后，输入的光信号将会转换成电信号，最后转换成的数字图像输出。CCD 与 CMOS 相比，优势有成像的噪点低，画面均匀及成像画质较高等，然而 CCD 的响应速度比较慢且功耗高于CMOS。
..........................
2.2 摄像系统中的坐标系
在整个摄像机成像系统中，存在着四种坐标系，分别是像素坐标系、图像坐标系、相机坐标系和世界坐标系，这四个坐标系之间有着一定的关联，下面将详细说明这四种坐标系之间的关系。
计算机论文怎么写
计算机论文怎么写
如图 2.1 所示，像素坐标系(u,v)由原点 o、u 轴和 v 轴组成，其坐标轴的单位是像素（整数）。平常所见的拍摄图像是在该坐标系下的具体像素呈现。图像坐标系(x,y)由原点 op、x轴和 y 轴组成，其坐标轴的单位是毫米(mm)，原点 op 是像素坐标系中心点所在，图像坐标系的 x 轴、y 轴分别平行于像素坐标系下的 u 轴、v 轴，值得注意的是，图像坐标系和像素坐标系是简单的平移变换关系，两者坐标系在一个平面上，图像坐标系和像素坐标系之间的平移变换关系可以通过公式 2.1 来表示。
..............................
第三章 适配的算法和改进................................. 18
3.1 目标检测算法.................................... 18
3.1.1 传统目标检测算法............................19
3.1.2 两类神经网络检测算法.......................................19
第四章 跟随系统的设计和实现.................................... 33
4.1 软件结构图.................................................. 33
4.2 跟随时序图.............................................. 34
第五章 实验及结果分析................................................ 47
5.1 仿真系统环境.................................................... 47
5.2 算法的移植.................................... 48
第五章 实验及结果分析
5.1 仿真系统环境
当所研究的的实验不具备真实的实验环境，但仍需要验证所提出的方案是否可行时，通过仿真实验也是一种特别有效的研究手段。
Gazebo 一款基于物理的 3D 动力学的仿真软件，能够准确高效的模拟工作在复杂的室内场景和室外环境下机器人所具备的应用表现与运行性能，对于调试机器人、测试多样性场景而言十分有用。
ROS 提供了针对机器人相关程序设计的操作系统级服务。通过 ROS 能够降低程序之间的协作难度，与此同时兼顾机器人软件的开发效率。在 ROS 中，每个运行的程序称作一个 ROS节点，各个节点都可以通过 ros 核心与其他节点程序建立通信。消息传递机制被用于节点之间的通信，每个节点可以通过在指定的话题中发布消息，同时还可以订阅某个话题以接收其他节点发布的消息。
Mavros 是 MAVLink 针对 ROS 的封装，可以将 MAVLink 数据包封装成 ROS 话题和消息，在 ROS 网络中传递。
本次实验所使用到的软件环境如表 5.1 所示：
计算机论文参考
计算机论文参考
...............................
第六章 总结与展望
6.1 论文总结
本研究用多旋翼无人机作为研究的对象，分析了无人机的诞生背景和分类。详细阐述了固定翼和多旋翼无人机的飞行原理。其后阐述了该方面的国内外研究成果。根据不同的算法在检测目标上的优缺点并结合本文中跟随目标的特点，选择了 yolov4 作为本研究的基础算法，通过分析源代码的流程后，改进了现有基于深度学习检测算法 yolov4，提出了专于检测单类的 Single-Yolov4 算法。随后研究了无人机的飞行特点和视觉跟随问题，并据此设计了一种视觉跟随系统。最后在 ubuntu16.04 系统中，搭建仿真系统进行了实验。主要来说，本文的研究内容主要如下所示：本文的主要工作总结如下：
（1）介绍了传统目标检测算法 SIFT，SURF 等，以及基于深度学习的两类目标检测检测算法—两步式和一步式，并比较了各类算法之间的优劣之处。随后选择了基于一步式的深度学习目标检测算法—YoloV4，并对其基于本研究做出了专门的改进，提出了 Single-Yolov4，并设计了实验用以验证提出的算法在识别目标上的有效性和准确性，给出 Single-Yolov4 的Loss 曲线图和 mAP 对比表。
（2）介绍了某个点在世界坐标系下是如何经过多次转换，最后到像素坐标系下的，揭示了两者之间的投影变换关系。然后介绍了张氏相机标定法，用于求出相机的内参和外参，随后编写代码文件和棋盘模型，标定了无人机机载摄像头，求出了其相机参数。
（3）设计了一种基于视觉的无人机跟随系统，将目标在摄像机视野中的移动距离解算到目标在真实世界中的移动距离和方向，并详细阐述了跟随系统的跟随流程以及各模块时序图，随后设计实验验证设计的跟随系统的有效性。
（4）在仿真世界中，编写无人机要跟随的目标模型，并使用无人机机载相机模型采集了要跟踪的目标模型图片，并进行人工标注和分类后用于算法训练使用。随后将 Single-Yolov4算法在 ubuntu 系统下移植到 ROS 功能包中并进行编译操作，使其可以运行在 ROS 系统下。使用训练好的模型搭配无人机跟随系统验证是否可以实验预期的结果。通过设置目标不同的移动速度，发现很好的实验了既定效果。