导读:本文包含了目标形状检测论文开题报告文献综述及选题提纲参考文献，主要关键词:低慢小目标,检测与跟踪,形状特征,特征提取
目标形状检测论文文献综述
王伟,顾俊豪,杨发伟,刘泉华[1]（2018）在《基于形状特征辅助的低慢小目标检测与跟踪算法》一文中研究指出无人机、滑翔伞等低慢小目标的高速发展给城区安防带来了新的挑战,雷达因具有探测距离远、全天时全天候工作等优点成为探测该类目标的重要工具。在城区复杂场景下对低慢小目标进行探测时,由于该类目标回波较弱、杂波较强,采用传统的检测与跟踪算法进行处理时,会形成大量虚警,进而影响数据的关联,出现错误关联、航迹中断等问题,导致检测跟踪性能严重下降。针对上述问题,本文对低慢小目标的特征辅助检测与跟踪算法进行研究,提出了一种基于点迹的分割阈值确定方法,该方法能够稳定分割距离多普勒(Range-Doppler,RD)图中的目标区域,进而提取目标分割区域的Hu不变矩及几何特征信息,辅助低慢小目标的检测、跟踪。通过实测数据验证表明,该方法能够提高复杂场景下低慢小目标的检测跟踪性能。(本文来源于《第十二届全国信号和智能信息处理与应用学术会议论文集》期刊2018-10-19）
梁丽香,夏晨星,王胜文,张汗灵[2]（2019）在《基于散度—形状引导和优化函数的显着性目标检测》一文中研究指出为了准确地进行显着性目标检测,提出了一种基于散度—形状引导和优化函数的显着性检测有效框架。通过考虑颜色、空间位置和边缘信息,提出了一种有辨别力的相似性度量;再利用散度先验剔除图像边界中的前景噪声获得背景集,并结合相似性度量计算得到基于背景显着图。为了提高检测质量,形状完整性被提出,并通过统计在分层空间中区域被激活的次数期望生成相应的形状完整显着图。最后,利用一个优化函数对两个显着图融合后的结果进行优化从而获得最终的结果。在公开数据集ASD、DUT-OMRON和ECSSD上进行实验验证,结果证明所提方法能够准确有效地检测出位于图像任意位置的显着性物体。(本文来源于《计算机应用研究》期刊2019年08期）
任菲菲[3]（2017）在《基于形状模板匹配的实时目标检测与跟踪算法研究》一文中研究指出随着计算机视觉和图像处理技术的飞速发展,模板匹配技术在图像处理中越来越不可替代。它方法简单,适应性强,能够处理复杂场景,是目标检测、识别以及运动目标跟踪中最常用的方法。目前,模板匹配已经渗透到工业、医学、交通等生活的方方面面。同时,国民经济的快速发展加速了车辆数目的增长,随之而来的是城市交通拥堵和安全的问题。交通标志自动识别和车辆跟踪是交通安全的两个重要组成部分。本文研究了基于形状的模板匹配方法,并将其应用于交通标志自动识别和车辆跟踪中,主要内容如下:首先,详尽地分析了基于形状的模板匹配技术中的基本理论,如边缘检测算法、模板创建和相似性度量方法。接着分析了影响匹配效率和准确度的因素,主要有目标旋转、缩放、极性和搜索策略,并详细地给出了目标存在这些情况时的解决方案。其次,提出了基于颜色和基于形状模板匹配的交通标志检测与识别算法。该算法首先通过交通标志的颜色信息和其特有的几何形状来检测并定位,然后通过提取边缘梯度特征对交通标志进行匹配和识别。该算法利用少量的样本来快速创建不同尺度和角度下的模板,解决了基于机器学习的方法需要大量样本并且训练时间过长的问题。同时,该方法采用梯度特征进行匹配可以解决基于灰度的模板匹配对光照变化过于敏感的问题。实验结果表明,本文提出的算法具有较高的识别准确率和匹配效率,识别准确率可达86.65%,且能满足实时性要求。最后,提出了基于形状的模板匹配与粒子滤波相结合的车辆目标跟踪算法。该算法将基于边缘形状的模板匹配和粒子滤波思想有效结合,解决了基于颜色空间的粒子滤波在光照变化时跟踪效果变差的问题。另外,本文提出了一种基于尺度和角度变化的动态模型更新机制,使得在目标存在遮挡、旋转和缩放的情况下仍具有跟踪鲁棒性。实验证明,在存在光照变化、目标被遮挡等情况下,本文提出的基于形状模板匹配的粒子滤波算法比基于颜色空间的粒子滤波算法具有较好的跟踪效果。(本文来源于《华中科技大学》期刊2017-05-01）
张舒[4]（2017）在《基于特征聚类和形状分析的线状目标检测》一文中研究指出近年来,目标检测技术这一研究领域飞速发展。在存在背景干扰或成像质量较差的情况下,如何提出行之有效的算法对目标进行准确的自动检测是该领域的研究的难点和要点。本文针对具体问题,充分结合线状目标的先验知识展开研究,提出了基于特征聚类和形状分析的线状目标检测相关算法和框架,能够有效克服干扰因素和提高检测算法的准确性,主要研究工作如下:(1)提出了基于特征聚类的机场跑道检测方法。该方法主要分为以下几个步骤实现:均值比边缘检测;使用本文提出的算法对边缘进行特征提取及聚类筛选;使用本文提出的算法对候选边缘点进行拟合连接;通过平行线检测技术完成对机场跑道的检测。本文提出的算法将特征聚类的概念与图像处理技术相结合,使用多维特征对边缘进行准确描述,通过聚类筛选避免了针对不同图像需要不同阈值的情况,针对图像噪声较丰富的特点本文提出基于最小二乘法提出对候选边缘点进行拟合连接的算法,通过SAR图像实验证明,算法鲁棒性较高,检测结果比较准确,用时较短,能够适用于实时检测。(2)提出了基于CLAHE(contrast-limited adaptive histogram equalization)与形状特征分析的裂缝目标检测框架。该方法实现步骤如下:利用限制对比度自适应直方图均衡对图像进行对比度增强;采用双边滤波技术对图像进行滤波降噪;通过局部自适应阈值分割处理初步得到前景图像;基于区域和轮廓的连通域形状特征分析筛选提取得到裂缝检测结果。本文提出的算法充分结合裂缝的灰度和几何先验,经实验结果分析证明,算法检测率较高,定位比较准确。(本文来源于《西安电子科技大学》期刊2017-05-01）
赵厚强[5]（2017）在《基于稀疏编码形状分类和随机游走模型的运动目标检测与跟踪研究》一文中研究指出在对复杂背景视频中的目标进行跟踪时,目标失败的很大一部分原因是受到目标周围背景以及目标本身外观变化的干扰,而且,当摄像机运动时,运动目标的初始检测也会变得更加复杂,这些因素综合起来使得视频中的鲁棒跟踪问题变得十分困难,本文以稀疏表达理论和随机游走模型为基础,以目标跟踪过程中的背景信息抑制为切入点,并融合目标形状特征信息,对运动目标检测与跟踪进行了深入的研究。论文的主要内容如下:第一章阐述了视觉目标跟踪研究的背景、意义和目的,对目标跟踪中相关理论方法的研究现状做了归纳总结,分析了跟踪中仍然存在的一些问题,并针对这些问题给出了本课题的主要研究内容。第二章对运动云台摄像机下的运动检测方法做了研究,提出了 一种基于时空图像异常边缘分析的运动检测算法,为运动摄像机下的运动目标检测开拓了新的思路,并在实际测试中取得了较好的效果。算法的主要流程为首先根据中值流跟踪法估计出相邻视频帧间的垂直运动位移,将连续几帧图像中的相对应的行组合在一起形成时空图像,然后对时空图像中的边缘根据其斜率做聚类分析,分析每个类中的边缘数量和边缘分布的离散度,得到边缘分布比较集聚的类,将这些类所在的区域判定为真正的运动目标所在的区域。算法在多种实际场景下采集的视频序列中做了测试,实验结果表明,算法比其他经典的算法在遮挡、背景干扰、不同的相机旋转速度等方面更加鲁棒。第叁章在最新的形状特征分类方法的基础上提出了一种更加快速有效的形状特征描述算子。新的描述子由轮廓段重心与轮廓段中不同部分的轮廓点之间的距离和组成,在本质上具有旋转、平移、缩放不变性。此外,利用能够有效模拟哺乳动物视觉系统V1区简单细胞响应机制的稀疏编码理论来对每个轮廓段的特征向量进行编码,并且通过空间金字塔匹配对编码值进行空间最大值池化,以充分挖掘目标的全局与局部空间结构信息。最后,使用SVM分类器来实现形状分类。提出的算法在一些国际着名形状数据库上做了实验,结果表明,提出的算法比其他的相关算法效果更好,在保证较高分类准确度的同时大大提高了执行效率。第四章针对复杂背景下目标跟踪的背景信息抑制问题,提出了基于结构化局部稀疏表达的背景分析方法,能够对目标周围的区域进行正确的分析与判别,找出其中真正属于背景的区域。提出在跟踪目标周围生成若干个粒子群区域,通过结构化局部稀疏表达理论计算这些粒子的权重,综合粒子的权重形成各个区域权重,根据各区域的权重大小筛选出几个最有可能属于背景的区域,在目标模型中将这几个区域中的信息加以抑制来增强目标模型的抗干扰能力。而且,在每一帧中根据跟踪结果的可靠性程度决定是否将新的目标信息添加进模型之中,在保证模型信息全面的前提下尽可能的避免受到背景信息的污染。此外,还提出一种反向投影图中的加权搜索方法,将大概率的点赋予更高的权重,通过在目标周围较大区域中的搜索来解决传统跟踪中的局部最优问题。提出的跟踪算法在国际标准数据集及实际场景中采集的视频序列中做了测试,实验结果表明,算法可以适应目标外观的变化,并对背景的干扰较为鲁棒。第五章针对监控视频中较小的人体目标跟踪问题将具有弱边界特性的随机游走图像分割方法引入到跟踪之中,能够根据分割结果的分布形态判别出人体目标区域,提高跟踪鲁棒性。提出在目标及其周围背景区域均匀的选取四层种子点,每层六个种子点,分别分配六个标签,然后利用随机游走算法分别对每层种子点进行图像分割,最后合并四层种子点的分割结果作为最终的结果。然后在分割结果中选取与人体形态相近的区域作为目标区域,并利用主成分分析的方法进一步筛选出在垂直方向上分布的人体区域,并在目标模型中将非目标区域中的信息加以抑制,凸显出目标的特有特征。提出的算法在一些标准数据集和在停车场采集的视频序列中做了实验,取得了较好的跟踪结果。第六章将提出的形状特征表达方法融入到跟踪框架中,形成一套完整的跟踪策略。具体的融合方法是在跟踪过程中对跟踪结果根据其边缘曲线的形状特征进行分类,收集一定数量的分类结果作为分类结果集合,将当前帧中得到的分类结果与集合中的结果进行比较,判断其是否与之前的目标类型一致,根据分类结果和跟踪结果的可靠性来决定是否更新目标模型。融合了形状特征表达方法的跟踪策略在极具挑战性的航拍视频中做了测试,算法表现出了很好的鲁棒性。第七章对全文做了总结。简要论述了本课题的主要研究内容、结论以及创新点,并对接下来的研究工作做了展望。(本文来源于《浙江大学》期刊2017-04-01）
蔡师膑[6]（2015）在《基于Omega形状特征的人体目标检测》一文中研究指出为了提高当代社会生活质量,近年来,人体目标检测技术在多个技术领域得到了广泛的应用,研究人员基于分类的人体目标检测算法框架,提出了许多优秀的特征提取算法和分类算法。这些算法取得了一定的效果,但人体目标检测技术依然存在着许多亟待解决的关键问题,例如人体非刚体特性、遮挡造成的人体目标模型多变,背景环境的多样性和光照的变化对检测造成的干扰问题等。这些问题干扰了算法对人体目标的精确建模,降低了人体目标检测的准确率。基于上述问题,本文基于判别式人体目标检测框架,在分析学术界较为流行的人体目标检测方法的基础上,提出了一种基于Omega形状特征的人体目标检测方法。具体方法内容包括叁个部分:1.采用基于人体头-肩Omega形状特征的人体目标检测方法。这种方法与目前普遍采用的基于整体特征的人体目标检测方法相比,能够减少由于人体非刚体性形变和部分遮挡在实际应用中造成的严重误检和漏检。2.创新性地将结合梯度直方图(Histograms of Oriented Gradients,HOG)特征提取算法与正交非负矩阵分解(Orthogonal Non-negative Matrix Factorization,ONMF)算法引入基于Omega形状的人体目标检测中,对Omega形状进行快速有效的特征提取。本文通过对所需要检测的Omega形状进行特征提取的具体需求进行分析,选择了HOG特征对Omega形状进行表征,在描述目标轮廓的同时,有效抑制了光照变化和微小形变对检测造成的干扰。同时针对人体目标检测的几个关键问题,在HOG特征的基础上进行正交非负矩阵分解,利用样本库最为本质的特征对目标模型进行重构和表述,从算法层面降低了部分遮挡和复杂背景对检测的影响。3.与传统的在提取Omega形状特征后直接训练分类算法不同,本文采用了大间隔近邻(Large margin nearest neighbor,LMNN)方法对特征样本进行距离测度学习。这种距离测度学习方法有利于建立多模态的判别式表观模型,从特征分析的角度进一步提升特征模型的判别性。本文采用上述方法与传统方法进行对比实验。实验结果证明了本文所提出方法能够成功克服摄像机高空视角所造成的人体部分肢体遮挡的问题,并且能够对复杂背景和部分遮挡下的人体目标进行检测。从公共数据库的整体序列实验结果可以看出,与其他方法相比,本文提出方法能够提高人体目标检测的准确率,降低检测过程中产生的误检和漏检。并且本文方法能够在实际人体目标检测系统中得到较为鲁棒的检测结果。(本文来源于《电子科技大学》期刊2015-05-17）
郭秀才,白琳琳,张学峰[7]（2014）在《基于ISM形状模型的目标检测算法》一文中研究指出提出一种能适应不同方向目标检测,可以有效减小训练样本集数量的目标检测算法。算法包含两部分:ISM(Implicit Shape Model)形状模型生成和目标检测。ISM形状模型中包含目标描述表和ISM形状模型两部分。目标检测时将图像中的局部特征与目标描述表进行匹配,同时结合ISM形状模型生成投票空间。通过在投票空间中搜索局部极大值,并采用自顶向下的分割和MDL算法来剔除虚假目标,获取图像中的目标检测结果。编程实现了该算法,并用汽车、摩托车、行人等典型目标进行了目标检测试验。试验结果证明该算法对复杂背景下目标检测有较好的性能。用含不同角度目标的图像与原算法进行了对比实验,实验结果表明提高了算法对目标角度变化的适应能力。(本文来源于《计算机应用与软件》期刊2014年04期）
章烛明[8]（2013）在《基于形状特征的目标检测算法研究》一文中研究指出手机照相技术的发展和数码相机价格的降低，使越来越多的消费者拥有自己的拍照手机和数码相机，并用它们记录生活中的点点滴滴。图片分享网站的兴起，让人们能够将照片上传到这些网站上，与家人和朋友们分享。另外，人们可以利用各大搜索引擎对网络上公开的图片进行搜索。现有的图片搜索技术大多都是基于图像附带的文本信息或者颜色统计之类的简单特征。利用计算机视觉技术对图片的内容进行精确理解，是图片搜索的发展趋势。目标检测是计算机视觉领域的一个重要研究方向。其主要任务是定位并识别图像中所包含的目标，从而为场景识别提供信息。目标检测技术虽然已经取得极大的发展，但离实际应用仍有一段距离，仍然是一个很值得研究的方向。观察角度的不同，以及同类别的不同目标的外观存在着很大的差异，给目标检测带来了极大的难度。目标检测算法需要极大的计算需求，这也限制了目标检测的实际应用。现有的目标检测主要是基于局部纹理特征。利用形状特征分析图像，可以减少图像特征的冗余性。而对基于形状特征的目标检测的研究仍然较少。本文对基于形状特征的目标检测算法进行研究，并构建了一个完整的目标检测系统。针对基于形状特征高度依赖于边缘方向的特性，该系统选用了能够很好保存边缘信息的Amit边缘检测算法来提取图像边缘信息。该系统还使用基于形状的检测子和多种描述子来描述局部形状特征，并用最新的特征包方法来整合局部形状特征。最后，本文在Cartoon30数据集和VOC2012数据集上对所提出的目标检测算法进行测试和评价。(本文来源于《华南理工大学》期刊2013-04-01）
高晶,孙继银,吴昆,李琳琳[9]（2013）在《基于形状特征的红外目标检测方法》一文中研究指出针对红外地面固定目标无直接可用基准图,目标边缘模糊,不利于目标识别检测等问题,提出一种新的基于形状特征的红外目标检测方法。首先在依据红外图像形状特征的基础上,引入图像的灰度形态学梯度,扩展对比度、增长图像边缘特征;其次进行多子区划分,并设计像素相似性计算,有效地结合了像素点的灰度信息以及空间位置;最后在考虑实时图中非真实边缘影响时,加入了Canny算子检测边缘,分离目标与背景,在红外实时图中检测出所需的目标。实验结果表明,本文所提算法检测率能达到80%以上,与直方图检测方法、Hausdorff算法、Nprod算法相比,分别平均提高了近10%,11%,20%,算法花费时间缩短2/3。对于红外固定目标,该方法具有检测率高、速度快、精度高等优点。(本文来源于《激光与红外》期刊2013年01期）
高晶,孙继银,吴昆,刘婧[10]（2012）在《基于形状模板匹配的前视红外目标检测方法》一文中研究指出针对前视红外复杂地面固定目标无直接可用基准图、背景干扰严重、目标与背景灰度差异小、不利于目标识别等问题,提出了一种基于形状模板的目标识别方法.首先,在构建高斯多尺度空间的基础上,设计分层多阈值算法,检测感兴趣区域;其次,引入模糊集理论,提取形状特征,分离目标与背景;最后,用改进的Hausdorff距离算法进行精匹配,确定目标.实验结果表明,该算法匹配率与改进的Hausdorff距离算法相比提高了近20%,算法花费时间缩短了2/3;与Nprod算法相比匹配率提高了近30%,时间缩短了1/2,在密度为0.3的椒盐噪声下,匹配率仍能达到70%以上.对于复杂背景下的前视红外固定目标,该方法具有匹配率高、速度快、精度高等优点.(本文来源于《北京工业大学学报》期刊2012年09期）
目标形状检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了准确地进行显着性目标检测,提出了一种基于散度—形状引导和优化函数的显着性检测有效框架。通过考虑颜色、空间位置和边缘信息,提出了一种有辨别力的相似性度量;再利用散度先验剔除图像边界中的前景噪声获得背景集,并结合相似性度量计算得到基于背景显着图。为了提高检测质量,形状完整性被提出,并通过统计在分层空间中区域被激活的次数期望生成相应的形状完整显着图。最后,利用一个优化函数对两个显着图融合后的结果进行优化从而获得最终的结果。在公开数据集ASD、DUT-OMRON和ECSSD上进行实验验证,结果证明所提方法能够准确有效地检测出位于图像任意位置的显着性物体。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
目标形状检测论文参考文献
[1].王伟,顾俊豪,杨发伟,刘泉华.基于形状特征辅助的低慢小目标检测与跟踪算法[C].第十二届全国信号和智能信息处理与应用学术会议论文集.2018
[2].梁丽香,夏晨星,王胜文,张汗灵.基于散度—形状引导和优化函数的显着性目标检测[J].计算机应用研究.2019
[3].任菲菲.基于形状模板匹配的实时目标检测与跟踪算法研究[D].华中科技大学.2017
[4].张舒.基于特征聚类和形状分析的线状目标检测[D].西安电子科技大学.2017
[5].赵厚强.基于稀疏编码形状分类和随机游走模型的运动目标检测与跟踪研究[D].浙江大学.2017
[6].蔡师膑.基于Omega形状特征的人体目标检测[D].电子科技大学.2015
[7].郭秀才,白琳琳,张学峰.基于ISM形状模型的目标检测算法[J].计算机应用与软件.2014
[8].章烛明.基于形状特征的目标检测算法研究[D].华南理工大学.2013
[9].高晶,孙继银,吴昆,李琳琳.基于形状特征的红外目标检测方法[J].激光与红外.2013
[10].高晶,孙继银,吴昆,刘婧.基于形状模板匹配的前视红外目标检测方法[J].北京工业大学学报.2012