导读:本文包含了多运动目标分割论文开题报告文献综述及选题提纲参考文献，主要关键词:运动目标分割,并行优化,PBAS,GPU
多运动目标分割论文文献综述
张刚,马震环,雷涛,崔毅,张叁喜[1]（2019）在《基于嵌入式GPU的运动目标分割算法并行优化》一文中研究指出在光电监视系统中,广泛应用于运动目标分割的PBAS(pixel base adaptive segmenter)算法计算复杂、参数量大,难以达到实时分割的要求。针对PBAS算法是对图像中每个像素点进行独立处理,特别适合于GPU并行加速的特点,对其在嵌入式GPU平台Jetson TX2上进行了并行优化实现。在数据存储结构、共享内存使用、随机数产生机制3个方面对该算法进行了优化设计。实验结果表明,对于480×320像素分辨率的中波红外视频序列,该并行优化方法可以达到132 fps的处理速度,满足了实时处理的要求。(本文来源于《应用光学》期刊2019年06期）
师冬霞,夏平,雷帮军,任强[2]（2019）在《融合多尺度信息和MRF的序列图像运动目标分割》一文中研究指出提出融合小波域多尺度信息和MRF模型的序列图像运动目标分割算法。对视频每帧图像进行小波多分辨率分析,融合每一尺度的特征信息,在此基础上构建每一尺度MRF模型的特征场和标记场;标记场采用Potts模型建模,同一尺度观测特征场采用混合高斯模型建模,同标记的特征场采用高斯模型进行建模,相邻尺度间标记场用一阶Markov转移概率描述;最后,利用迭代条件模式(ICM)实现MRF模型中后验分布函数最优,完成运动目标分割。实验结果表明,该算法能较好的提取运动目标信息,在固定场景的视频监控中具有一定的适用价值。(本文来源于《信息通信》期刊2019年08期）
朱斌,田联房,杜启亮,余陆斌[3]（2019）在《基于自适应双分数阶光流模型的运动目标分割》一文中研究指出针对当前光流算法在光照不足的环境下不能进行弱纹理区域的运动目标分割问题,提出了一种自适应双分数阶光流(ADFOVOF)模型.该模型在双分数阶光流(DFOVOF)模型的基础上,通过图像信噪比计算DFOVOF模型中数据项的分数阶微分掩模的阶次及尺寸;应用以光流向量为特征的超像素调整DFOVOF模型中平滑项的分数阶微分掩模的形状.实验结果表明,在光照不足或者光照变化剧烈的场景下,文中算法能够精确估计光流场,获得清晰的运动目标轮廓.(本文来源于《华南理工大学学报(自然科学版)》期刊2019年02期）
龙迎春,冯健业,宋玉春[4]（2018）在《基于状态分割的运动目标实时跟踪》一文中研究指出针对基于云台的移动式摄像头视频监控系统,为准确、实时地对运动目标实施检测、跟踪,提出了一种基于状态分割思想的运动目标实时跟踪方法。该方法将运动目标检测跟踪过程按摄像头的运动状态分为静止、运动2个阶段。在摄像头静止阶段,采用基于混合高斯模型的背景差法检测运动目标,提取目标的颜色特征信息;在摄像头运动阶段,采用Camshift算法对运动目标进行跟踪。开发了基于OpenCV开源库的算法程序。实验结果表明,在目标颜色特征显着的情况下,该方法实现了移动式摄像头对运动目标的精确跟踪,并具有较好的鲁棒性和实时性。(本文来源于《机械与电子》期刊2018年06期）
李宗民,张洲凯,刘玉杰[5]（2018）在《基于像素自适应背景建模的运动目标分割》一文中研究指出针对PBAS(pixel-based adaptive segmenter)算法存在的阈值更新不够灵活,难以消除鬼影,对阴影较为敏感的问题,提出一种改进的算法。采用非线性阈值调整机制,根据背景复杂度及时调整阈值;对像素被判定为前景点的次数进行控制,去除难以消失的鬼影点;对判定为前景的区域边界点进行二次对比,减少鬼影点;引入基于颜色不变量的阴影检测去除前景中的阴影区域,提高分割精度。在CDnet2014(ChangeDetection.net 2014)数据集上的测试结果表明,改进后的方法相比PBAS分割精度更高,能够很好地去除鬼影和阴影。(本文来源于《计算机工程与设计》期刊2018年03期）
杨超[6]（2018）在《基于超像素分割的复杂背景下运动目标检测研究》一文中研究指出近年来,随着通信、电子、计算机技术的快速发展,运动目标检测与识别技术逐渐为人们所熟悉,伴随而生的全自动无人驾驶汽车、视频网络云监控等领域的应用对计算机视觉检测提出了更高的要求。从计算机视频中清楚的描述客观事物,挖掘检测目标的隐藏信息,尤其是运动目标发生遮挡、外观形变或背景快速变化等复杂场景下进行运动目标识别。传统的视觉目标检测与识别算法不能保证复杂场景下具备良好的检测鲁棒性与准确性。因此,本文深入研究了基于超像素分割与目标特征学习的运动目标检测方法。提出融入联级AdaBoost模型与改进的SLIC超像素分割方法构建运动目标外观模型,利用粒子滤波与贝叶斯框架计算最大后验估计,实现复杂情况下运动目标检测。本文主要工作如下:(1)引入了亮度分量调节SLIC超像素分割,使生成的超像素具有更高的紧凑度和准确性。利用改进的SLIC超像素对目标搜索区域进行分割,采用Mean-Shift聚类形成特征池,计算运动目标置信图,在此基础上构建目标判别外观模型。(2)研究了复杂动态背景下视频中噪声变化对目标检测结果的影响,提出基于HOG特征和LBP特征的弱分类器并对其进行训练,构建了联级的AdaBoost强分类器,实现了运动目标搜索区域的确定与目标分类。(3)在贝叶斯理论基础上,采用了粒子滤波计算运动目标直方图相似度和重构误差,构建运动目标观测模型与运动模型,联合AdaBoost强分类器与模型遮挡策略、更新策略实现了运动目标的状态估计。通过实验验证,本文所提出的ABSP(AdaBoost and Super-pixel)算法能够实现简化复杂背景下运动目标信息,减少动态噪声影响,有效提取复杂背景下目标外观模型,改善目标形变与遮挡的影响,有效适应复杂环境下运动目标检测要求,并有较高的准确性和鲁棒性。(本文来源于《沈阳航空航天大学》期刊2018-03-05）
李显凯[7]（2017）在《运动目标检测的光流场分割算法》一文中研究指出动态背景下的运动目标检测作为自动驾驶、巡航监控的关键技术,提高检测精度和检测效率成为当前研究的重点。本文根据光流矢量的分布特性,提出块光流场分割和稠密光流场分割的运动目标检测方法。块光流分割算法将图像分为若干固定大小的矩形块,遵循光流局部约束,以亮度守恒约束和梯度守恒约束构建匹配准则,利用大小菱形模板进行相似块搜索,进而根据最优匹配块在图像坐标系中的坐标计算块的光流矢量,通过自适应K均值聚类算法实现光流场到运动类别的转化,最后将光流场分割结果与彩色图像分割结果进行融合以消除目标内部空洞、边缘不光滑等缺陷。稠密光流场分割算法以变分光流模型为基础,基于亮度守恒约束和梯度守恒约束构建复合数据项,基于全局平滑模型构建先验项,利用L1范数来整合总体误差,建立了总变差一范数稠密光流算法,采用全变分法优化光流模型进一步将光流求解问题转化为大型非线性方程组的求解,通过双重不动点迭代求解策略消除方程组非线性,最后采用超松弛迭代法计算每一像点的光流矢量。为提高光流估计效率,将光流数值计算过程嵌入高斯金字塔结构,实现由粗到细的光流场估计。通过自适应K-Means算法对光流场进行分割可将目标区域的提取精确到像素级别。对比试验与分析表明,以SUD算法结果作为参考标准,BMD算法、TV-L1D检测效果均优于SUD算法,BMD算法处理每帧图像耗时33ms,可实现实时高精度检测,而TV-L1D算法在稠密光流场计算过程中涉及了大量迭代及浮点数运算,难以满足实时检测的需求。(本文来源于《昆明理工大学》期刊2017-03-01）
张开飞[8]（2017）在《基于低秩张量恢复的图像去噪与运动目标分割》一文中研究指出近年来,鲁棒主成分分析模型(Robust Principal Component Analysis,RPCA)在图像去噪、图像修复、图像分类以及运动目标分割等领域取得了成功运用。其主旨思想认为一系列含噪音的相似图像序列所构成的矩阵/张量能够分解成一个低秩矩阵/张量(即需要恢复的纯净相似图像序列)和一个稀疏矩阵/张量(即图像序列中的稀疏噪音)之和的形式。鉴于秩函数与l_0范数的非凸非连续性,常用的处理方式是分别将秩函数和l_0范数放松为它们的凸包络--核范数和l1范数,从而把原问题松弛为凸优化问题来求解。然而这种凸近似需要满足较强的非相干性条件,否则所求的解就会偏离原始问题的解;另一方面,相似图像序列所构成的矩阵/张量满足低秩性的前提是这些相似图像序列是严格对正对齐的,但这在实际的图像序列数据中是不能保证的,甚至是图像的微小扰动都会破坏数据的低秩性。为了解决上述问题,本文提出一种更接近于原始问题的非凸近似模型,即用Schatten-p范数(0<p<1,下同)代替秩函数,用lp范数代替l_0范数,从而保证在较弱的非相干性条件下即可成功恢复出原始信号;同时在模型中加入针对图像序列的变换参数变量,通过求解获得最优的变换参数,在去噪的同时实现图像序列的严格矫正对齐。针对所提出的非凸非光滑近似模型,我们进一步提出了一种基于交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)的有效算法。在人工数据集和真实图像数据集上的实验结果表明了我们算法在图像序列对齐及去噪方面的优越性。同时将我们的模型应用于运动目标分割领域,从实验对比结果可以看出我们模型和算法在图像运动目标分割领域的巨大潜力。(本文来源于《温州大学》期刊2017-03-01）
浦洋[9]（2016）在《3D视觉注意模型及其在运动目标分割中的应用研究》一文中研究指出视觉注意机制是人类视觉系统的一项重要机制,它帮助人眼在复杂的视觉信息中迅速聚焦到最重要的部分。视觉注意模型通过模拟人类的视觉注意机制,建立相应的数学模型,对视觉信息中的目标或感兴趣区域进行快速有效的检测,在图像检索、目标检测、图像分割等研究领域展现出了良好的优势和应用前景,受到了国内外研究人员的广泛关注和研究。目前,已有许多针对2D图像的视觉注意模型被提出,然而由于缺乏对深度信息的利用,2D模型在对3D图像和视频进行处理时存在一定的困难。本文针对现有模型的不足,对结合深度信息的视觉注意模型展开研究,提出了一种行之有效的3D视觉注意模型,同时,研究了3D视觉注意模型在运动目标分割中的应用。具体研究内容如下:(1)研究了视觉注意模型的基本理论及方法。研究了视觉注意机制的基本原理,对常见的2D视觉注意模型及显着性检测方法进行了一定的总结,同时研究了显着性检测的评价方法;(2)研究了结合深度信息的3D视觉注意模型。研究了深度信息的提取方法及其对人类视觉系统的影响,研究了常见的3D视觉注意模型及其模型构建思路,研究了一种基于图像分块的3D显着性检查方法,并基于matlab进行了实验和仿真;(3)提出了一种结合超像素分割技术的3D显着性检测方法。对2D图像超像素分割算法进行了研究,并提出一种结合深度信息的改进超像素分割方法,同时基于改进的超像素分割算法,提出一种3D显着性检测方法,最后,结合超像素图模型对显着性检测结果进行改进;(4)研究了3D视觉注意模型在运动目标分割中的应用。研究了常见的运动目标分割方法,研究了运行信息提取方法,提出了一种基于结合运动信息的3D视觉注意模型和Growcut算法的运动目标分割方法,并进行了实验和仿真;(本文来源于《电子科技大学》期刊2016-04-01）
王静静,秦世引[10]（2016）在《互补增强式空间运动目标高精度检测与分割》一文中研究指出针对空间监视系统中的运动目标自主高精度的检测问题,提出一种显着性计算与光流检测互补增强式算法.以mean shift初检结果为导引,通过显着性区域检测与光流检测的互补增强而实现空间运动目标的高精度检测.首先通过梯度信息和频率调谐滤波的互补方式分别计算整幅图像和mean shift分割后各个分块区域的显着性,再以整幅图像显着性均值为参考,确定合理的阈值以检测候选目标;与此相并行,也采用光流计算及相应的阈值检测方法获取候选目标.进而通过对显着性计算与光流检测分别得到的两个不同候选目标分布图的合取运算进行目标确认,最后再辅之以形态学滤波使确认目标得以增强,从而实现空间运动目标的高精度检测与分割.研究结果表明,在无需知道任何场景和目标先验信息,也无需人工干预的条件下,所提算法能够有效实现空间运动目标的精确检测和分割,对光照变化和噪声干扰也有很强的适应能力.(本文来源于《哈尔滨工业大学学报》期刊2016年03期）
多运动目标分割论文开题报告
（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：
提出融合小波域多尺度信息和MRF模型的序列图像运动目标分割算法。对视频每帧图像进行小波多分辨率分析,融合每一尺度的特征信息,在此基础上构建每一尺度MRF模型的特征场和标记场;标记场采用Potts模型建模,同一尺度观测特征场采用混合高斯模型建模,同标记的特征场采用高斯模型进行建模,相邻尺度间标记场用一阶Markov转移概率描述;最后,利用迭代条件模式(ICM)实现MRF模型中后验分布函数最优,完成运动目标分割。实验结果表明,该算法能较好的提取运动目标信息,在固定场景的视频监控中具有一定的适用价值。
（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。
多运动目标分割论文参考文献
[1].张刚,马震环,雷涛,崔毅,张叁喜.基于嵌入式GPU的运动目标分割算法并行优化[J].应用光学.2019
[2].师冬霞,夏平,雷帮军,任强.融合多尺度信息和MRF的序列图像运动目标分割[J].信息通信.2019
[3].朱斌,田联房,杜启亮,余陆斌.基于自适应双分数阶光流模型的运动目标分割[J].华南理工大学学报(自然科学版).2019
[4].龙迎春,冯健业,宋玉春.基于状态分割的运动目标实时跟踪[J].机械与电子.2018
[5].李宗民,张洲凯,刘玉杰.基于像素自适应背景建模的运动目标分割[J].计算机工程与设计.2018
[6].杨超.基于超像素分割的复杂背景下运动目标检测研究[D].沈阳航空航天大学.2018
[7].李显凯.运动目标检测的光流场分割算法[D].昆明理工大学.2017
[8].张开飞.基于低秩张量恢复的图像去噪与运动目标分割[D].温州大学.2017
[9].浦洋.3D视觉注意模型及其在运动目标分割中的应用研究[D].电子科技大学.2016
[10].王静静,秦世引.互补增强式空间运动目标高精度检测与分割[J].哈尔滨工业大学学报.2016