导读:本文包含了高阶图论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标跟踪,高阶图,特征计算,跨时域
高阶图论文文献综述
余小意[1]（2018）在《基于高阶图跨时域关联的多目标跟踪算法的设计与实现》一文中研究指出多目标跟踪是在给定的一段视频序列中定位感兴趣的多个运动目标,并形成目标运动的轨迹的过程。它是在对运动目标图像的分析和应用中产生的,并很快成为计算机视觉领域中视频分析的重要内容之一,其实质上是在捕获到的目标初始状态和通过特征提取得到的目标特征基础上,进行一种时空结合的目标状态估计。多目标跟踪在智能监控、行为分析等领域均有广泛的应用。目前主流的多目标跟踪算法都是在tracking-by-detection的框架下发展而来,这些算法的核心思想是将相邻帧之间的目标进行相似性度量和关联,因此在密集场景中处理目标长时间的遮挡和邻近表观相似目标时性能较差。本文提出的算法将多目标跟踪模型构建为一个全局高阶图,用高阶边来描述跨时域目标之间的相似性,并在高阶图中搜索二阶子图来完成各个目标的轨迹段的计算。高阶图是由各个代表轨迹段的顶点组成,高阶边描述的是同一个目标的集合,该集合是由目标之间的特征匹配值与阈值的关系来获得。目标之间通过跨时域后的高阶关系来计算表观和运动等特征,而不是仅仅考虑目标之间的二阶关系,这样可以使得目标的很多有效信息得以利用,有助于提高邻近表观相似目标的区分能力,对处理长期遮挡问题提供了解决方案。此外,将本算法视频序列进行分段迭代处理,提高计算速度,有利于满足实时性的要求。本文算法在UA-DETRAC中的100个具有挑战性的数据集上进行训练和测试,与目前主流的六个多目标跟踪算法进行大量的实验对比,并通过定性和定量分析得出相应的结论,证明本文算法的有效性和鲁棒性。(本文来源于《南京邮电大学》期刊2018-11-14）
钟佩[2]（2014）在《基于ACS的高阶图匹配算法研究》一文中研究指出图像匹配是模式识别和计算机视觉领域中的基础性问题,是许多图像处理任务的前提及关键部分。图像匹配的过程就是建立特征点的对应关系的过程,它受到噪声、外点、以及视角变化等干扰,是图像处理中的具有挑战意义的研究课题。本文首先从特征空间,相似性度量和搜索策略叁个方面分析了当前图像匹配的主要理论和方法。按照特征空间,把图像匹配算法分成了基于统计特征的算法和基于内容和结构特征的算法,并且将现有的相似性度量准则分为了一阶度量准则、二阶度量准则以及高阶度量准则。总结了常用的图像匹配搜索策略,并分析和比较了这些方法各自的优势和不足。其次,本文重点讨论了基于图结构模型的图像匹配方法,研究了图模型框架的建立方法以及二阶约束和高阶约束下的图匹配算法框架,并结合了具体的实例实现了当前具有代表性的二阶匹配算法和高阶匹配算法,分析了它们的优势和不足。接着,深入研究了高阶图匹配中的张量的建立及去冗余方法、匹配分数函数的定义以及power迭代方法和随机游走算法,并实现了这些方法,分析和比较了它们的性能。为了克服传统的求驻点的优化方法容易陷入局部最优解的不足,本文引入了人工智能的方法,采用ACS算法优化目标函数,提出了一种基于ACS的高阶图匹配算法。该算法首先利用TM算法初始化信息素矩阵为ACS算法提供好的起点,同时使用张量值计算启发因子提供先验知识,然后根据启发因子和信息素计算转移概率,最后利用搜索到的解对信息素进行局部更新和全局更新。该算法主要有以下叁个优势:1)ACS算法是一个基于概率的随机的,并且带有正反馈的启发式搜索算法,相比于传统的求驻点的迭代方法,它不容易陷入局部最优解并且更容易搜索到比较理想的最优解;2)使用亲密度张量值计算启发因子,为搜索提供了先验知识;3)使用张量匹配方法求得一个粗解,然后它初始化信息素矩阵,为全局搜索提供了一个好的起点,实验结果表明该算法能够获得比较高的匹配精度,并且在形变噪声、外点和视角变化等因素的干扰下仍能具有很强的鲁棒性。最后本文对所做的工作进行了总结,同时对高阶图匹配算法仍然需要深入研究和改进的地方进行了展望。(本文来源于《西安电子科技大学》期刊2014-12-01）
赵晨阳[3]（2014）在《基于蚁群算法的高阶图匹配方法研究》一文中研究指出图像配准作为图像分析领域的关键步骤,一直以来都是人们研究的热点。其中,匹配技术对图像配准的效果有着重要影响。近年来,随着科学技术的发展,人们对图像匹配的准确率要求越来越高,传统的匹配技术已经不能满足人们的需要,一些具有鲁棒性以及较高的匹配准确率的匹配算法开始成为主流。本文首先分析了图像配准的相关理论,并对当前主要的配准方法及其特点进行了总结和讨论。接着,本文重点分析了高阶图匹配问题,研究了图模型的建立方法以及张量的计算方法,同时讨论了目标函数的建立。然后,本文深入研究了蚁群算法的实现过程,在蚁群算法的设计中,启发因子和转移概率的计算方法,以及信息素的局部更新和全局更新准则是极其重要的,本文从以上几个关键步骤的设计出发,给出了蚁群算法的总体实现。本文还详细讨论了叁种蚁群算法各自的特点,并总结了多种蚁群算法在各类静态组合优化问题中的应用。为了克服传统的高阶图匹配方法容易陷入局部最优的缺陷,本文将蚁群算法引入,提出了一种新的解决高阶图匹配问题的方法。该方法首先建立表示两个特征集合相似性关系的张量,然后利用张量构造目标函数,接着根据张量计算启发因子,然后利用启发因子和信息素计算转移概率,最后根据得到的解进行信息素更新,最终获得匹配结果。与其他算法相比,本算法的主要优势有:(1)将蚁群算法应用到高阶图匹配问题中,使得搜索到的解是全局最优解,提高了匹配精度。(2)用张量信息计算蚁群算法的启发因子,使得蚁群算法快速收敛,提高了搜索速度。(3)在蚁群算法的每次迭代中,保存了目前最好的路径,使得搜索结果每次都向最好的方向逼近。实验证明,该算法具有较高的准确率和较强的鲁棒性,在加入噪声以及有尺度变化的情况下,其性能优于其他高阶匹配方法。最后本文对所做的工作进行了简要总结,并分析了本文算法可以继续改进的地方。(本文来源于《西安电子科技大学》期刊2014-12-01）
高阶图论文开题报告
（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：
图像匹配是模式识别和计算机视觉领域中的基础性问题,是许多图像处理任务的前提及关键部分。图像匹配的过程就是建立特征点的对应关系的过程,它受到噪声、外点、以及视角变化等干扰,是图像处理中的具有挑战意义的研究课题。本文首先从特征空间,相似性度量和搜索策略叁个方面分析了当前图像匹配的主要理论和方法。按照特征空间,把图像匹配算法分成了基于统计特征的算法和基于内容和结构特征的算法,并且将现有的相似性度量准则分为了一阶度量准则、二阶度量准则以及高阶度量准则。总结了常用的图像匹配搜索策略,并分析和比较了这些方法各自的优势和不足。其次,本文重点讨论了基于图结构模型的图像匹配方法,研究了图模型框架的建立方法以及二阶约束和高阶约束下的图匹配算法框架,并结合了具体的实例实现了当前具有代表性的二阶匹配算法和高阶匹配算法,分析了它们的优势和不足。接着,深入研究了高阶图匹配中的张量的建立及去冗余方法、匹配分数函数的定义以及power迭代方法和随机游走算法,并实现了这些方法,分析和比较了它们的性能。为了克服传统的求驻点的优化方法容易陷入局部最优解的不足,本文引入了人工智能的方法,采用ACS算法优化目标函数,提出了一种基于ACS的高阶图匹配算法。该算法首先利用TM算法初始化信息素矩阵为ACS算法提供好的起点,同时使用张量值计算启发因子提供先验知识,然后根据启发因子和信息素计算转移概率,最后利用搜索到的解对信息素进行局部更新和全局更新。该算法主要有以下叁个优势:1)ACS算法是一个基于概率的随机的,并且带有正反馈的启发式搜索算法,相比于传统的求驻点的迭代方法,它不容易陷入局部最优解并且更容易搜索到比较理想的最优解;2)使用亲密度张量值计算启发因子,为搜索提供了先验知识;3)使用张量匹配方法求得一个粗解,然后它初始化信息素矩阵,为全局搜索提供了一个好的起点,实验结果表明该算法能够获得比较高的匹配精度,并且在形变噪声、外点和视角变化等因素的干扰下仍能具有很强的鲁棒性。最后本文对所做的工作进行了总结,同时对高阶图匹配算法仍然需要深入研究和改进的地方进行了展望。
（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。
高阶图论文参考文献
[1].余小意.基于高阶图跨时域关联的多目标跟踪算法的设计与实现[D].南京邮电大学.2018
[2].钟佩.基于ACS的高阶图匹配算法研究[D].西安电子科技大学.2014
[3].赵晨阳.基于蚁群算法的高阶图匹配方法研究[D].西安电子科技大学.2014