导读:本文包含了运动目标检测与追踪论文开题报告文献综述及选题提纲参考文献，主要关键词:移动机器人,运动目标检测,目标跟踪,BRISK算法
运动目标检测与追踪论文文献综述
韩乐乐[1]（2018）在《移动机器人运动目标检测与追踪方法研究》一文中研究指出近些年,随着机器人技术的快速发展,移动机器人在日常的生活中扮演着极为重要的角色,尤其在智能交通、军事安全、智慧医疗等领域有着极为广阔的应用。目前,静态背景下的运动目标检测与跟踪技术已经日益成熟;但是动态背景下的运动目标检测与跟踪算法却发展的相对缓慢,因此研究移动机器人视觉系统中的运动目标检测与跟踪算法具有极为重要的意义。论文研究了运动目标检测与跟踪技术的国内外研究现状,具体分析了动态背景下的运动目标检测与跟踪方法,选择基于运动补偿的检测算法与基于分类器的跟踪算法,主要完成以下工作:首先,论文研究了基于运动补偿的检测算法的具体步骤。为了提高运动参数估计的准确性,选择一种改进BRISK特征匹配的运动补偿算法。采用高斯滤波对图像进行处理,去除图像中的噪声点;将图像分块,利用图像熵对图像块筛选,去除图像中角点过于密集的子块,对筛选后的图像块进行BRISK特征提取;针对特征匹配中出现误匹配的问题,采用k近邻与欧氏距离进行特征匹配;为了进一步提高参数估计的准确性,利用改进PROSAC法进行特征点提纯,结合六参数仿射模型完成背景运动补偿,采用帧差法与形态学处理提取运动目标。其次,利用改进KCF的分类器的跟踪算法进行目标跟踪。采用HOG算法提取目标特征,并利用循环矩阵获取一系列的正负样本;根据采样的正负样本进行岭回归分类器训练,并通过跟踪到的目标更新分类器;针对KCF跟踪算法容易出现跟踪失败,采用BRISK特征匹配进行跟踪失败判断,并利用模板匹配法重新检测目标,采用检测后的目标重新训练KCF分类器,继续跟踪过程。最后,论文在vs2015平台和opencv计算机视觉库对改进算法进行仿真实验,采用多组动态背景下的视频序列进行测试。实验表明,改进BRISK特征的运动补偿算法提高了运动参数的精度,适合动态背景下的视频序列;改进KCF跟踪算法能够适应不断变化的视频背景,具有较好的实时性与鲁棒性。(本文来源于《兰州交通大学》期刊2018-06-15）
高远[2]（2018）在《监控视频中运动目标检测和追踪技术研究与实现》一文中研究指出近年来,随着视频监控技术的逐渐成熟和人们安全防范意识的日益提升,越来越多的视频监控系统被应用于人们的日常生活当中。虽然视频监控设备遍布大街小巷,但采用人工监控的传统监控方式早已不能满足实际应用的需求,智能监控技术为视频监控告别人工时代提供了有力的技术支持。智能监控技术涉及多个研究领域,研究内容丰富多样,在智能安防、智能交通、智慧城市等方面都有广阔的应用前景。运动目标检测和运动目标追踪是智能视频监控技术的两个主要研究方向,是智能视频监控系统的基础模块,关系到能否准确获取视频监控的有效数据信息,也是进行目标行为分析、模式识别等后续处理的前提条件。本文分析和总结目前智能监控技术的发展趋势,针对监控视频中的运动目标检测和运动目标追踪算法展开了研究和讨论,主要研究内容如下:(1)详细介绍了混合高斯模型目标检测方法,针对混合高斯模型的局限性,提出一种基于叁帧差分和混合高斯模型的运动目标检测方法,并通过实验对该算法的准确度、适应性和实时性等进行了讨论和分析。(2)深入研究了Camshift追踪算法,针对Camshift算法的缺陷,比较和分析常用特征匹配算法,提出一种基于ORB特征匹配的Camshift追踪算法,并通过实验证明,该方法在满足实时性基本要求的同时能够有效提高追踪效果。(3)根据实验需求完成实验平台的搭建,详细介绍了实验平台的模块设计、流程设计以及系统环境,根据模块功能设计平台界面,该平台能够实现运动目标检测和运动目标追踪等基本操作。(本文来源于《河南大学》期刊2018-06-01）
方露[3]（2017）在《视频中运动目标检测与追踪算法研究》一文中研究指出智能视频监控技术是一门将图像处理技术、模式识别技术、电子传感器技术、计算机数据挖掘分析技术相结合的综合性技术。飞速发展的社会经济,给智能视频监控技术在智能安防、智能交通、智能旅游、城市管理与规划方面提供了广阔的应用前景。因此,开展智能视频监控技术理论与方法的研究,具有重大的现实意义和科学价值。就智能视频监控技术而言,运动目标检测与目标追踪是两个主要研究的方面,是保证视频监控系统获得准确、有效信息的重要前提。目前,这方面的研究引起了国内外众多专家与学者的广泛关注,成为当下的研究热点。本文根据目前智能视频的发展趋势,针对目标检测与目标追踪的理论与算法展开一定的工作与研究,论文主要完成工作与创新点:1.关于目标检测方面的内容,本文主要分析了 SIFT、SURF算法在特征点提取、描述子生成、特征匹配方面的具体过程,并通过MATLAB仿真软件模拟在光照、扭曲变形、噪声干扰情况下,两种特征点匹配算法的匹配效果。2.阐述了压缩感知理论知识,通过稀疏信号表示、测量矩阵选择、信号重构算法叁个方面内容进行分析。3.研究一种融合SURF特征的压缩追踪算法,该算法在压缩追踪算法的基础上进行改进。采用SURF算法求得前后两帧中目标特征点的匹配关系,求解追踪目标尺寸变化,自适应调整目标模板大小。利用压缩追踪算法对目标进行压缩后追踪,在压缩追踪算法自适应更新目标外观模型的基础上,增加误更新外观模型判断机制,解决追踪过程中严重遮挡和扭曲变形问题。4.研究一种鲁棒的时空上下文算法,该算法针对时空上下文在遮挡情况下的不足进行优化。在目标检测阶段,采用SIFT算法对目标进行初步定位,减少前期搜索的时间和搜索范围。在目标追踪阶段,采用时空上下文算法的思想,利用目标周围的时空信息辅助追踪。当遭遇严重遮挡的情况下,不再采用时空上下文算法,改用卡尔曼滤波算法对目标进行预测。(本文来源于《安徽工程大学》期刊2017-06-08）
何国锋[4]（2017）在《基于嵌入式的运动目标检测与追踪》一文中研究指出近年来对于目标检测与追踪技术,出现了很多优秀的算法与论文,并在监控领域、无人机领域、生物医学仪器领域、甚至导航与制导等领域得到了应用。但是因为算法的复杂度问题,往往需要实现在具有强大处理器的设备上,比如个人电脑。本文对一些常用的算法进行研究,希望实现一个在嵌入式平台上可以实时运行的目标检测与追踪系统。在运动目标检测算法上,对背景差分法、帧间差分法进行分析,通过改进叁帧间差分法来实现对目标的检测。该方法可以在几乎不增加算法复杂度的情况下有效的检测到运动缓慢的物体。在对运动目标追踪算法上,研究分析了形心法、Mean Shift算法和Camshift算法原理,并对算法进行仿真,分析算法优缺点,最后使用卡尔曼算法改进的Camshift算法,解决了相近颜色干扰和遮挡问题。通过对运动目标的检测与追踪,最终在以S3C6410处理器为核心的嵌入式平台上,实现了运动目标检测与追踪系统,实现了良好的目标追踪效果,并且保证了系统的实时性。(本文来源于《贵州大学》期刊2017-06-01）
王娟,张志勋[5]（2015）在《跨尺度运动图像的目标检测与追踪探究》一文中研究指出当前,受到环境中的光度变化、噪声等不良因素的干扰,基于空间传感器所采集到的空间运动图像的视觉分辨率普遍比较低,因而严重影响着空间运动目标精确定位。鉴于此,加强对跨尺度运动图像目标的检测和追踪研究具有重要的现实应用价值。本文通过分析基于空间图像的跨尺度特征,论述了跨尺度运动图像的目标检测和追踪方法,从而不断实现空间运动目标定位的准确性。(本文来源于《信息技术与信息化》期刊2015年09期）
周俊[6]（2015）在《空间运动图像序列目标检测与追踪方法研究》一文中研究指出运动目标检测和追踪在目前计算机视觉方面是一个大的方向。面对研究的深入和应用的日渐广泛,其需要解决的问题也日益增多和复杂。需要应用的场景也更加多种多样。本文针对不稳定的背景以及自适应目标检测以及追踪丢失等问题对运动图像序列的目标追踪进行研究,论文完成的主要工作如下：(1)基于亮度补偿的图像序列前后帧配准研究面对运动目标跟踪的应用场景中,出现的摄像头不稳定的情况以及目标追踪不持续等情况本文通过各种改进方法提出了一种基于稳定特征点的前后帧配准算法。实现了目标追踪的应用方面的拓展。通过解决前后帧配准的问题,使得摄像头不稳定情况下的目标追踪能够用结合目前已有的目标追踪算法比如均值漂移或者粒子滤波等办法来解决。而前后帧配准过程中同时还应用了光照补偿和特征点计算等图像处理方法,使得最终的处理效果更加准确。算法对前后10帧图像进行稳定特征点提取来简化特征点的提取工作,同时不影响效果。通过少量的稳定特征点来获取配准参数,进而获得准确的配准结果。(2)自适应目标检测算法的研究针对自适应目标追踪的问题,提出了基于目标模板匹配的均值漂移目标检测算法。该算法是通过预先存储目标的模板图片的方法,在进行目标检测的初始阶段利用模板匹配算法进行目标的初始位置的搜索,并能达到较高的初始精确度,在同粒子滤波和卡尔曼滤波相比中心点误差降低将近10%。所提算法能够满足自适应目标检测的要求。(3)运动图像序列的目标持续追踪方法研究在目标持续追踪方面也是结合了kalman滤波和NCC模板匹配两种办法,提出了一种基于中心点的NCC模板匹配算法(CPNCC)和卡尔曼(kalman)算法的目标持续追踪算法,对运动目标的远近变化能保持较高的准确性。对光照变化则是采用基于相位一致性的办法对亮度变化具有鲁棒性。该方法巧妙地解决了运动目标在追踪过程中由于处于静止状态时kalman滤波无法继续追踪的问题,实现了目标的持续追踪效果。(4)运动图像序列目标追踪系统的实现结合上面3个研究内容,实现了算法的验证系统。系统基于matlab的图形界面编程。我们将验证系统分为叁个子模块,分别用于实现以上叁个研究内容的算法功能。最后对系统进行了测试,检验其有效性和完整性。(本文来源于《北京邮电大学》期刊2015-01-14）
韩鹏程[7]（2014）在《跨尺度运动图像的目标检测与追踪研究》一文中研究指出跨尺度运动图像的目标检测与追踪研究是利用利用空间传感器采集的空间运动图像信息综合分析空间运动目标轨道运行、飞行功能、空间站使用等情况,最终目标是掌握空间飞行器和空间站的运行态势,为空间攻防和航天活动提供更多有价值的空间运动目标信息。受限于复杂多变的空间环境因素以及成像装置和传输设备硬件上的缺陷,空间运动图像在被观测设备捕获、传输和存储的过程中,不可避免地会出现弱化效应,这种现象会导致空间运动图像在用于空间运动目标分割、检测、追踪等操作时出现较大的误差,并会降低空间运动目标识别的整体真实性,在很大程度上限制了空间运动目标对接、空间飞行器监控和空间运动目标的实时操作。本文进行了空间图像跨尺度特征提取、跨尺度运动图像目标检测、跨尺度空间运动图像目标追踪等关键技术的研究,论文的主要贡献和创新点如下：(1)提出了贝叶斯非局部均值滤波算法(BNL-Means), BNL-Means算法可以对空间运动图像进行有效地非局部均值滤波。提出了空间图像跨尺度特征提取算法(SITFE), SITFE算法使用非向下采样轮廓波变换(NSCT)对空间运动图像进行跨尺度分解,非向下采样轮廓波变换的双滤波器组结构可以解决现有滤波器的单一轨迹问题,相关的Mapping方法可以清除2-D滤波器存在的数据冗余。实验结果表明,与现有的非局部均值滤波算法相比,BNL-Means算法可以提高峰值信噪比(PSNR)1.8%,提高特征提取结构相似性(MSSIM)2.91%。在不同噪声级别下,SITFE算法与Curvelet特征提取算法相比可以提高PSNR值1.5dB-1.9dB;与轮廓波特征提取算法相比SITFE算法可以提高PSNR值1.0dB-1.2dB。在不同类型噪声的干扰下,SITFE算法与Curvelet特征提取算法相比可以提高MSSIM18.9%,与轮廓波特征提取算法相比SITFE算法可以提高MSSIM12.1%。(2)提出了小波光流估计算法(WOF),WOF算法可以准确地估计同运动场景中具有不同运动速率的运动目标,解决了传统光流估计对于快速运动目标的检测准确率降低的问题,WOF算法还提高了光流计算的效率。提出了矩形窗口扫描算法(RWS),RWS算法可以实现运动目标检测的自适应调节,可以在运动图像间隔帧之间实现连续的运动目标检测。实验结果表明,与Lucas Kanade算法、Horn Schunck算法、Occlusion-Aware Optical Flow算法相比,WOF算法可以提高运动图像序列运动目标估计准确度(SFDA)分别为10.4%,13.6%和12.7%,提高光流计算的效率分别为28.94%、27.65%、38.11%。实验结果表明,与现有的SIFT特征目标检测算法、帧差法(BS)、霍夫曼树目标检测算法(HF)相比,RWS算法可以提高运动目标检测准确度(ODA)分别为7.29%、16.57%、9.35%,提高运动目标检测精确度(ODP)分别为3.41%、17.5%、4.97%。(3)提出了基于重采样粒子滤波的运动图像目标追踪算法(PFOT) PFOT算法在运动图像目标追踪过程中添加了自适应的多维信号处理,这种处理方式可以从邻近的粒子聚簇中挖掘出新的多样性粒子,保证了运动图像目标追踪结果不受粒子采样位置、运动目标速率等因素变化的影响。利用3D Fourier变换处理图像本身的信号参数,在3D彩色Fourier域融合色彩调和与信号处理对运动目标进行初步分割,利用重采样粒子滤波完成运动目标追踪。实验结果表明,与M-PF算法、S-PF算法、R-PF算法相比,PFOT算法可以提高粒子采样准确度分别为10.35%、27.36%、29.05%。与现有的目标追踪算法SDSROT算法和ILRVT算法相比,PFOT算法可以缩减追踪平方和误差(SSE)超过31.21%和45.78%。(4)提出了基于目标形状活动轮廓的运动图像目标追踪算法(ACOT), ACOT算法实现了运动目标特征点及其邻接区域的实时更新,对突然变动的运动目标形状及其特征也可以保持高鲁棒性的检测。ACOT算法结合运动图像背景和目标形状界限信息,根据运动目标形状轮廓对目标追踪进行自适应调整,克服了现有目标形状轮廓检测追踪算法的拓扑结构限制,提高了运动目标追踪准确度。实验结果表明,与RTSTS算法相比,在X坐标系上,ACOT算法可以降低目标形状轮廓检测均方根误差(RMSE)32.32%,在Y坐标系上,ACOT算法可以降低RMSE20.41%。与SAP算法相比,在X坐标系上,ACOT算法可以降低RMSE20.96%,在Y坐标系上,ACOT算法可以降低RMSE15.19%。ACOT算法与RTSTS算法相比可以缩减目标追踪Euclidean巨离21.67%,与SAP算法相比ACOT算法可以缩减目标追踪Euclidean距离21.26%。(5)提出了Monte Carl。边缘演化算法(MCCE),MCCE算法利用原型金字塔感知变换和Monte Carlo边缘检测,对空间运动图像进行最优方式表示。MCCE算法可以在不同的图像分层上对运动目标进行逼近,在不同尺度间进行运动目标的特征检测和提取,在最大程度上排除空间移动背景干扰,实现了精准的空间运动图像边缘检测。提出了加强奇异点均值偏移算法(ESMS),ESMS算法利用加强奇异点均值偏移计算,实现了视觉敏感关注区域的视觉增强。利用仿射箱形参数估计完善了追踪过程,实现了空间运动目标区域检测的自适应调节,排除了空间运动目标追踪过程中存在的信息干扰。实验结果表明,MCCE算法与Canny算子边缘演化算法相比可以降低边缘检测MSE15.46%,提高PSNR15.63%；与Laplacian算子边缘演化算法相比MCCE算法可以降低边缘检测MSE8.72%,提高PSNR4.62%。与现有的MAMS算法和ODML算法相比,ESMS算法可以缩减目标追踪Euclidian距离分别为16.9%和17.8%。与MAMS算法相比ESM S算法可以缩减目标追踪MSE23.06%,与ODML算法相比ESMS算法可以缩减目标追踪MSE25.24%。与MAMS算法和ODML算法相比,ESMS算法可以缩减目标追踪Bhattacharyya距离分别为29.7%和22.5%。(本文来源于《北京邮电大学》期刊2014-05-10）
席志红,邢代玉,徐锡超[8]（2014）在《复杂运动情况下的多目标检测与追踪》一文中研究指出针对多运动目标视频序列中目标存在过缓运动且相互间遮挡的问题,提出一种改进的混合高斯模型(Gaussian Mixture Model,GMM)进行目标检测并结合卡尔曼滤波进行跟踪的新算法;在运动背景检测中,采用叁帧差法和混合高斯模型的融合算法进行目标提取,解决了过缓运动目标检测区域不完整的问题;在运动目标跟踪中,由于Kalman滤波器采用目标检测结果进行预测,对观测噪声矩阵进行自适应更新,使得跟踪的稳定性得到加强;通过对比,验证了新算法对存在过缓以及遮挡的不规律运动情况的多目标检测识别与跟踪的实时有效性与准确性。(本文来源于《计算机测量与控制》期刊2014年01期）
卢燕斌[9]（2007）在《监控视频中运动目标检测和追踪的研究及应用》一文中研究指出智能监控就是要用图像处理和计算机视觉的方法,通过对监控录像进行自动或实时分析来对动态场景中的目标进行定位,识别和跟踪,并在此基础上分析和判断目标的行为。而作为智能监控技术核心的运动目标自动检测和跟踪技术在未来必将有广阔的应用前景。本文主要研究了智能监控的基本理论和关键技术。重点研究了静止背景下运动目标的检测和提取,运动目标阴影的检测,以及运动目标跟踪等方面的内容,在此基础上提出了一种固定背景下基于主色的运动目标检索和跟踪算法。以颜色作为目标序列检索的唯一依据,对目标出现的序列进行了主色匹配,并记录目标出现的序列,试验结果表明,该算法有计算简单,运算快速与稳定的特点,并能部分解决多目标的遮挡问题,对于非刚性目标的尺度变化和在一定范围内的变形也有较好的鲁棒性。视频对象的检测算法,首先基于运动信息,使用背景剪除法检测并提取待跟踪目标,并建立待跟踪目标的颜色空间分布模型,根据该模型,得到颜色区域对象特征。考虑到目标检测中可能出现的阴影现象,介绍了本文用到的消除目标阴影的几种方法。检测出运动目标后,开始进入目标跟(本文来源于《上海交通大学》期刊2007-01-01）
运动目标检测与追踪论文开题报告
（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：
近年来,随着视频监控技术的逐渐成熟和人们安全防范意识的日益提升,越来越多的视频监控系统被应用于人们的日常生活当中。虽然视频监控设备遍布大街小巷,但采用人工监控的传统监控方式早已不能满足实际应用的需求,智能监控技术为视频监控告别人工时代提供了有力的技术支持。智能监控技术涉及多个研究领域,研究内容丰富多样,在智能安防、智能交通、智慧城市等方面都有广阔的应用前景。运动目标检测和运动目标追踪是智能视频监控技术的两个主要研究方向,是智能视频监控系统的基础模块,关系到能否准确获取视频监控的有效数据信息,也是进行目标行为分析、模式识别等后续处理的前提条件。本文分析和总结目前智能监控技术的发展趋势,针对监控视频中的运动目标检测和运动目标追踪算法展开了研究和讨论,主要研究内容如下:(1)详细介绍了混合高斯模型目标检测方法,针对混合高斯模型的局限性,提出一种基于叁帧差分和混合高斯模型的运动目标检测方法,并通过实验对该算法的准确度、适应性和实时性等进行了讨论和分析。(2)深入研究了Camshift追踪算法,针对Camshift算法的缺陷,比较和分析常用特征匹配算法,提出一种基于ORB特征匹配的Camshift追踪算法,并通过实验证明,该方法在满足实时性基本要求的同时能够有效提高追踪效果。(3)根据实验需求完成实验平台的搭建,详细介绍了实验平台的模块设计、流程设计以及系统环境,根据模块功能设计平台界面,该平台能够实现运动目标检测和运动目标追踪等基本操作。
（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。
运动目标检测与追踪论文参考文献
[1].韩乐乐.移动机器人运动目标检测与追踪方法研究[D].兰州交通大学.2018
[2].高远.监控视频中运动目标检测和追踪技术研究与实现[D].河南大学.2018
[3].方露.视频中运动目标检测与追踪算法研究[D].安徽工程大学.2017
[4].何国锋.基于嵌入式的运动目标检测与追踪[D].贵州大学.2017
[5].王娟,张志勋.跨尺度运动图像的目标检测与追踪探究[J].信息技术与信息化.2015
[6].周俊.空间运动图像序列目标检测与追踪方法研究[D].北京邮电大学.2015
[7].韩鹏程.跨尺度运动图像的目标检测与追踪研究[D].北京邮电大学.2014
[8].席志红,邢代玉,徐锡超.复杂运动情况下的多目标检测与追踪[J].计算机测量与控制.2014
[9].卢燕斌.监控视频中运动目标检测和追踪的研究及应用[D].上海交通大学.2007