运动目标检测跟踪论文-娄康,朱志宇,葛慧林

运动目标检测跟踪论文-娄康,朱志宇,葛慧林

导读:本文包含了运动目标检测跟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:运动特征,卡尔曼滤波,匈牙利算法,目标跟踪

运动目标检测跟踪论文文献综述

娄康,朱志宇,葛慧林[1](2019)在《基于目标运动特征的红外目标检测与跟踪方法》一文中研究指出为了提高红外目标检测与跟踪的速度和准确率,该文提出了一种基于红外弱小目标运动特征信息的检测与跟踪方法。方法主要分为目标运动特征检测和目标轨迹预测跟踪两个方面。目标检测方面,通过背景帧差分法将图像分割为前后景,形态学运算后在每一帧的前景中对红外弱小目标进行检测,并记录下候选目标。目标跟踪方面,通过卡尔曼滤波对红外目标轨迹进行预测,计算目标轨迹质心位置与目标实际位置欧式距离,通过匈牙利算法以欧式距离为权重对目标实际轨迹与预测轨迹进行分配,如果分配的结果超过一定阈值将会被重新分配。最终通过MATLAB,在公开的数据集上,仿真验证了该文算法在基本满足实时检测的要求下,仍然可以有效地提高红外弱小目标的检测与跟踪效果。(本文来源于《南京理工大学学报》期刊2019年04期)

吴家俊,蔡柏林,陈强,王克逸[2](2019)在《快速运动目标的实时检测和跟踪》一文中研究指出为了实现对快速运动的目标实时检测和跟踪,搭建了一套高速视觉系统,提出一种基于YCBCr空间Cb分量的实时检测和跟踪算法,并通过质心预测和ROI更新来提高计算效率。实验结果表明该方法能够实时准确检测和跟踪1.3m距离下4m/s的乒乓球,对相似物体的干扰和运动模糊,具有良好的鲁棒性。对于分辨率为640x480的8位图像,采集和处理的速度最快能够达到3.2ms。(本文来源于《工业控制计算机》期刊2019年08期)

张佳鹏[3](2019)在《基于时空融合的激光雷达障碍物检测与运动目标跟踪》一文中研究指出激光雷达探测范围广、距离精度高,在自动驾驶环境感知任务中,被广泛用来做障碍物检测与目标跟踪。传统的激光雷达算法,只使用当前单帧雷达点云做感知。由于激光雷达点云存在数据稀疏问题,单帧感知方法对于远处障碍物的检测能力较差。而通过有效的时空融合方法,可以大幅提升激光雷达的感知性能。本文的时空融合算法,分别在数据层和目标层展开。在数据层,本文借助点云配准得到的位姿融合多帧点云,并利用变密后的点云做障碍物检测;在目标层,对环境中的动态物体做目标跟踪,并消除由动态物体导致的障碍物误检。本文主要完成了如下叁个工作:1.在数据层实现多帧点云实时融合配准。本文根据曲率从原始点云中提取特征点,以特征点之间的点线距离、点面距离构造代价函数,之后经过帧间配准和地图配准,由粗略到精细地估计前后帧位姿变化。与传统方法相比,本文方法计算过程中涉及的激光点数量少,兼顾配准效果和运算速度。2.利用配准后的致密点云检测障碍物。借助点云配准得到的位姿,可以将历史帧点云转换到当前帧坐标系下,得到多帧点云集合。之后将多帧点云集合向栅格地图做投影,根据点云高度分布特征判别每个栅格是否为障碍物。对比单帧点云检测,时空融合后的多帧点云检测距离更远。3.在目标层利用卡尔曼滤波实现运动目标跟踪。环境中的动态物体,容易导致多帧点云障碍物检测出现误检。首先,在栅格地图上对障碍物做聚类、轮廓提取得到候选目标。而后,借助点云配准得到的位姿,使用最近邻搜索将前后帧候选目标做匹配,筛选出运动目标。最后,使用卡尔曼滤波实现对动态目标的跟踪以及速度估计。与传统动态物体处理方法相比,本文方法不需要使用额外的运动测量传感器,系统成本低。(本文来源于《浙江大学》期刊2019-08-01)

刘康[4](2019)在《复杂环境下运动目标检测和跟踪方法研究》一文中研究指出运动目标检测和跟踪作为运动分析和高层语义处理的基础,在军事分析、智慧城市和人机交互等诸多领域有着广泛应用,已发展成为当前计算机视觉领域研究热点之一。然而在实际应用场景中,通常存在动态背景、高噪声、光照、阴影和遮挡等复杂环境的干扰,为检测和跟踪带来了巨大困难和挑战。因此,本文对复杂环境下运动目标检测和跟踪方法进行研究。(1)本文重点关注复杂环境下动态背景扰动、高噪声和阴影干扰等场景,针对传统Vibe算法在上述场景下,易将大面积动态干扰误检为前景区域,从而导致检测不完整问题,从背景模型初始化、动态背景自适应计算和阴影检测消除叁方面进行改进,实验验证表明本文改进算法消除了复杂干扰,提高了检测准确性和抗干扰能力。(2)针对在背景相似干扰、遮挡、运动模糊等复杂环境下单一特征的KCF算法无法准确稳定的描述目标,抗干扰能力差的问题,提出了多层面融合的自适应核相关滤波跟踪算法(MALKCF)。从特征层面融合HOG、CN和卷积特征提高目标描述表征能力,自适应融合跟踪响应图提高跟踪精度,设计了整体算法模型更新方式增强算法鲁棒性。经过试验仿真,本文算法跟踪精度和成功率为85.4%和78.2%,较KCF算法分别提高了34.3%和32.3%,对复杂环境背景杂波干扰、运动模糊、快速运动等场景下有较高的鲁棒性。(3)针对KCF算法缺乏遮挡处理,导致分类器学习背景和遮挡物体的信息出现跟踪漂移的问题,提出级联遮挡检测机制进行遮挡判断,采用自适应模型更新策略,增强模型抗干扰能力,引入Kalman滤波进行优化和预测跟踪,提高跟踪精度。在不同遮挡程度的序列数据集上实验性能测试表明:在遮挡环境仍能对目标准确预测跟踪,提高了算法鲁棒性,正常情况下时算法融合Kalman滤波优化跟踪结果,跟踪精度更高。本文提出的COPKCF算法相比KCF算法跟踪精度和成功率分别提高了31.3%,33.6%,整体跟踪性能得到大幅度提升,并且fps为46,具有较好的实时性。(本文来源于《西安理工大学》期刊2019-06-30)

梁硕[5](2019)在《基于背景减除法的运动目标检测与跟踪算法研究》一文中研究指出运动目标检测与跟踪技术是计算机视觉的重要分支,广泛应用于智能视频监控、无人驾驶等多个领域。背景减除法作为一种经典的目标检测算法,在简单场景下具有较好的检测效果,但当场景较为复杂时,检测效果并不理想。因此,本文以基于ViBe建模的背景减除法为基础,对复杂环境下的运动目标检测与跟踪进行研究。首先,本文简单介绍了涉及到的图像处理技术;深入研究了帧间差分法、光流法和背景减除法叁种常用的运动目标检测算法;对背景减除法中的四种背景建模方式进行实验对比及定量分析,确定了ViBe建模的优越性。然后,针对传统ViBe算法存在的易出现“鬼影”现象、易受动态背景干扰等问题,改进出一种基于LaBGen的自适应阈值ViBe算法。该算法把LaBGen方法生成的背景图像作为背景模型初始化的输入帧,利用当前像素点的样本集方差去自适应的改变其半径阈值,实验表明,本文算法能有效避免“鬼影”现象且在动态背景下效果有一定的提升。最后,为消除阴影对后续跟踪的影响,结合色度特征和梯度特征对阴影检测并去除;针对KCF跟踪算法存在的初始化跟踪框需要人为设定、目标被遮挡会导致跟踪失败等问题,将改进的ViBe检测算法和KCF跟踪算法结合,把要跟踪目标的最小外接矩形当做KCF的初始目标矩形框,提高了跟踪的效果。(本文来源于《西安石油大学》期刊2019-06-05)

杜新辉[6](2019)在《智能监控中运动目标检测与跟踪算法研究》一文中研究指出智能监控系统是安防体系中的一个重要组成部分,是一种高效的、防范能力极强的综合安防手段,其在生活、军事、交通等多个领域起着重要作用。智能化是监控系统的发展趋势,主要表现为无需人为干预的情况下自动对视频进行分析处理,以达到目标检测、跟踪、行为预警和预防等目的。本文对智能监控系统中的运动目标检测与跟踪算法进行了深入研究,具体工作如下:运动目标检测方面,对常用的目标检测算法进行分析比较,并重点研究了混合高斯建模法。首先,针对传统混合高斯建模法在初始化阶段收敛速度慢的现象,提出了一种基于k-means聚类算法的初始化方案,此方案可以有效地提升混合高斯建模法在初始化阶段的实时性。然后,针对混合高斯建模法使用固定学习率更新模型,导致目标由长时间静止到缓慢运动的过程中出现“拖尾”和“空洞”现象。本文结合像素邻域信息与帧间差分法,提出了自适应学习率的混合高斯建模法。实验表明,改进后的算法能够有效地克服因使用固定学习率而导致的“拖尾”和“空洞”现象。最后,针对目标检测过程中的动态阴影问题,本文将多种阴影特征和混合高斯建模法相结合,提出了基于多特征融合与混合高斯的阴影抑制算法。实验表明,此算法能够有效地检测和抑制动态阴影。运动目标跟踪方面,对传统的Mean-shift跟踪算法进行了原理分析与实验仿真,并发现此算法在跟踪目标处于遮挡、高速或颜色干扰等一种或多种情况下会导致跟踪失效。因此,针对颜色干扰现象,在颜色特征基础上引入了空间特征和边缘梯度方向特征,提出了多特征加权融合的Mean-shift跟踪算法。针对遮挡和速度过快的情况,将多特征加权融合的Mean-shift跟踪算法与kalman滤波器跟踪算法相结合,提出了基于kalman滤波器与多特征加权融合的Mean-shift跟踪算法。并通过实验验证改进后的算法能够有效地解决因目标处于遮挡、高速和颜色干扰等情况下而导致的跟踪失效问题。智能监控系统的设计与实现方面,在VS2015开发环境下将改进后的目标检测与跟踪算法进行编程实现,并采用OpenCV视觉类库与MFC界面类库开发了一套具有运动目标检测、跟踪和异常行为检测功能的智能监控系统。(本文来源于《北京交通大学》期刊2019-06-01)

沈雪松[7](2019)在《视频监控中运动目标检测与跟踪研究》一文中研究指出运动目标检测与跟踪作为计算机视觉领域的重点研究课题之一,在智能监控、医疗诊断、军事制导、人机交互、无人驾驶等领域有着重要的应用价值,其应用场景也逐渐从静态场景转向动态场景,动态场景的复杂特性给运动目标检测与跟踪带来了巨大挑战。本文分别针对静态场景和动态场景下的运动目标检测以及跟踪算法进行了相关研究,论文的主要研究工作如下:(1)针对视觉背景提取算法在目标检测过程中存在鬼影且易受动态背景的干扰等问题,提出了一种基于多尺度空间的视觉背景提取算法。在背景模型初始化之前,先对图像序列进行二级金字塔变换,从而得到叁种不同分辨率的图像,然后以不同分辨率进行目标检测并融合检测结果;在鬼影的问题上,本文结合帧间信息,加入二次判断策略,加快鬼影的消除;最后提出了一种背景复杂度量,根据背景的复杂程度自适应地调整距离阈值。(2)针对移动背景下运动目标难以检测的问题,提出了一种基于背景补偿的运动目标检测方法。为了提高背景补偿的准确性,选取基于加速鲁棒特征匹配的背景补偿算法;在特征匹配过程中,采用基于欧式距离的双向匹配来减少误匹配;在参数估计时,为了提高参数估计的准确性,采用顺序一致性算法和最小二乘法相结合来求解仿射运动参数,完成背景运动补偿;最后采用视觉背景提取算法对目标进行检测。(3)针对背景感知相关滤波跟踪算法存在因光照变化、遮挡、背景干扰等情况而导致跟踪失败的问题,提出了一种自适应特征融合的相关滤波跟踪算法。算法在分类器学习中引入历史模型,可以自适应地平衡积极和被动模型学习,从而在外观变化较大的情况下可以有更健壮的模型;在训练阶段分别提取目标的方向梯度直方图和颜色属性特征进行自适应特征融合,提高目标的特征分辨力;最后,采用了一种自适应的模型更新策略,根据跟踪置信度比的高低来决定是否更新跟踪模型,避免目标模型被污染,同时提高算法速度。(本文来源于《江南大学》期刊2019-06-01)

张腾[8](2019)在《红外小型运动目标检测与跟踪及DSP实时实现》一文中研究指出红外小型运动目标的检测与跟踪在救灾救援、视频监控和军事侦察等领域有着广泛应用。然而,在这些应用场景中目标的检测与跟踪面临着探测距离远,目标成像面积小,背景复杂,成像平台运动干扰等问题。而且这些场景对系统的实时性与体积功耗也有着较高的要求。因此研究基于嵌入式平台的红外小型运动目标实时检测与跟踪有着重要意义,本文围绕上述场景中以下几个具体问题进行了研究。针对红外弱小目标检测时,固定大小滤波器难以适应视场中可能存在的多尺度目标,以及多尺度检测再融合带来的计算量大和虚警率高的问题。本文研究了目标灰度分布近似模型,分析模型提出了红外弱小目标尺度估计算法。该算法逐像素点估计目标可能的尺度。然后,根据估计的目标尺度逐点使用不同大小滤波器对图像进行滤波实现尺度自适应的红外弱小目标检测。实验表明,本文提出的尺度自适应的检测算法相比多尺度检测,信噪比增益等指标提高了1倍,速度提高了2到3倍。针对基于特征点配准的运动目标检测中,有时目标比较复杂使得部分配准特征点集中在目标上,导致在平台运动估计时加入目标运动信息,帧差后目标被减掉的问题。本文提出特征点重分布算法,该算法删掉部分局部过于密集的特征点使得它们在全图的分布更为均匀。实验表明,本文算法在不影响配准精度的前提下,可以得到更为准确的平台运动估计,信噪比更高的帧差结果,使得目标更容易被分割出来。针对相关滤波跟踪过程中,固定学习率的模型更新策略难以应对目标变化快慢不定的问题。本文提出了新的相关面质量评估指标,通过相关面质量评估,预测目标变化快慢。同时,考虑了目标被遮挡的情况,提出了目标遮挡判断算法。最终,结合目标变化快慢以及是否被遮挡的判断,进行学习率自适应的模型更新。基于OTB50数据集的实验表明,单通道灰度特征的相关跟踪器采用本文提出的学习率自适应策略后,跟踪精度提高了约3%,同时在实拍红外序列的跟踪上也取得了更好的效果。针对系统的实时性与小型化问题。本文算法在DSP平台上进行了优化实现。分析了实现结果与算法仿真结果的精度误差并测试了运行时间。实验结果表明,本文提出的算法与DSP实现方案在精度和实时性上均满足课题要求。(本文来源于《华中科技大学》期刊2019-05-01)

张震[9](2019)在《基于视频的车辆运动目标检测与跟踪技术研究》一文中研究指出随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。视频车辆的实时检测和跟踪是智能交通监控系统的核心部分,也是计算机视觉、模式识别、视频图像处理和人工智能等领域的基础和关键技术。运动目标检测和跟踪算法应用在智能交通监控中时仍有许多困难之处,如恶劣的天气状况以及目标长时间被遮挡等情况。本文主要对以下方面进行了研究:(1)针对现有的背景差分法对初始的运动目标敏感,并且容易受到动态背景、光线变化、摄像头抖动等因素的影响的问题,本文采用基于马尔科夫随机场(MRF)与二型模糊高斯混合模型(T2-FGMM)相结合的方法对运动目标进行检测,解决了T2-FGMM在动态场景下检测出的目标显示很多离散漏洞、目标轮廓不精细化问题。(2)针对条件迭代模式(ICM)算法使用“贪婪”策略来求解能量最优化的过程中易陷入局部极小值的问题,本文对ICM算法进行改进,提出“平缓”的下降方法,将最小化能量函数中的平滑项进行加权操作,解决了ICM算法对初始估计非常敏感、容易导致很差的局部极小值问题。本文将改进的ICM算法运用到视频流车辆目标检测中,获得了较好的目标检测效果。(3)深入研究基于外观特征和时空特征模型的分层数据关联的多目标跟踪技术。本文主要研究时空特征模型,针对时空特征模型仅仅考虑外观特征和光流直方图特征,当多目标存在长时间遮挡而无法满足跟踪准确性的问题,对时空特征模型进行改进,提出融合卡尔曼滤波的时空特征模型,增加目标检测得到矩形的质心作为跟踪的特征。将改进的模型进行验证,获得了较好的目标跟踪效果。本课题分别对视频流中车辆运动目标检测与跟踪进行研究。本文创新点:将改进的ICM算法应用于视频流的运动目标检测中;改进了分层关联的多目标跟踪算法中的时空特征模型。经实验验证,本文改进的方法适用于大面积、多目标的复杂场景,抗干扰能力强,检测和跟踪精度高,可应用于高速公路和城市交通的车辆监测与跟踪系统中。(本文来源于《上海师范大学》期刊2019-05-01)

吴家俊[10](2019)在《基于高速视觉的运动目标检测与跟踪》一文中研究指出高速运动目标常见于国防军事领域中,具有机动性强、运动时间短、环境多变、规律性差等特点,难以对其位置、姿态和速度等运动信息进行捕获、跟踪和测量。相比传统的激光雷达跟踪方法,基于视觉的检测和跟踪能获取目标更多的运动信息。随着高速视觉传感器的发展,使用高速摄像机对高速运动的目标进行检测和跟踪变得愈发重要。然而现有的目标检测和跟踪算法的结构较为复杂,难以满足高速视觉系统的实时性要求。本文为了检测和跟踪高速运动的目标,设计搭建了一套高速视觉系统,并基于该系统提出一种快速有效的目标检测和跟踪算法。主要研究内容和贡献如下:(1)设计搭建了一套200fps@640 X 480的高速视觉系统。分析系统各组成部分的工作职责和工作特点,结合高速运动目标的运动特点,选用合适的高速相机、图像采集卡和光圈,并增加照明设备,提高图像质量。通过高速连续图像采集实验验证了器件选择的合理性和相机参数设置的正确性。(2)结合帧间差分法和背景减除法的优缺点,提出了一种快速有效的目标检测算法。为了降低算法对光照变化的干扰,在YCbCr空间提取目标聚类特性较好的Cb分量;运用帧间差分法和投影技术在该分量上获得目标的运动区域,去除干扰区域和合并同一目标区域后,在该区域内进行背景减除法精确地检测出目标,并运用滑动平均法对非运动区域进行背景更新。为了降低时间消耗,采用改进的八邻域快速轮廓搜索方法搜索目标轮廓,并针对运动模糊的目标使用基于椭圆拟合的方法求取更为准确的目标中心位置。(3)为了解决跟踪算法的滞后性,提出了基于预测的目标跟踪算法。通过仿真对比基于Kalman滤波的预测跟踪算法和基于轨迹拟合的预测跟踪算法,选择3点线性预测器和5点平方预测器加权组合的综合预测算法对目标中心进行跟踪预测,并根据预测的位置更新ROI。当目标重现时,在预测的ROI中进行目标检测,减少搜索时间。(4)通过对不同情况下运动的乒乓球进行检测和跟踪,验证系统算法能够对1.3m距离下4m/s快速运动的目标进行实时准确的跟踪,跟踪误差不超过3个像素。同时验证了算法对遮挡和相似干扰物体的鲁棒性。在使用ROI减少检测范围的情况下,系统算法的平均运行时间为3.2ms/帧。(本文来源于《中国科学技术大学》期刊2019-05-01)

运动目标检测跟踪论文开题报告

(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:

为了实现对快速运动的目标实时检测和跟踪,搭建了一套高速视觉系统,提出一种基于YCBCr空间Cb分量的实时检测和跟踪算法,并通过质心预测和ROI更新来提高计算效率。实验结果表明该方法能够实时准确检测和跟踪1.3m距离下4m/s的乒乓球,对相似物体的干扰和运动模糊,具有良好的鲁棒性。对于分辨率为640x480的8位图像,采集和处理的速度最快能够达到3.2ms。

(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。

运动目标检测跟踪论文参考文献

[1].娄康,朱志宇,葛慧林.基于目标运动特征的红外目标检测与跟踪方法[J].南京理工大学学报.2019

[2].吴家俊,蔡柏林,陈强,王克逸.快速运动目标的实时检测和跟踪[J].工业控制计算机.2019

[3].张佳鹏.基于时空融合的激光雷达障碍物检测与运动目标跟踪[D].浙江大学.2019

[4].刘康.复杂环境下运动目标检测和跟踪方法研究[D].西安理工大学.2019

[5].梁硕.基于背景减除法的运动目标检测与跟踪算法研究[D].西安石油大学.2019

[6].杜新辉.智能监控中运动目标检测与跟踪算法研究[D].北京交通大学.2019

[7].沈雪松.视频监控中运动目标检测与跟踪研究[D].江南大学.2019

[8].张腾.红外小型运动目标检测与跟踪及DSP实时实现[D].华中科技大学.2019

[9].张震.基于视频的车辆运动目标检测与跟踪技术研究[D].上海师范大学.2019

[10].吴家俊.基于高速视觉的运动目标检测与跟踪[D].中国科学技术大学.2019

标签:;  ;  ;  ;  

运动目标检测跟踪论文-娄康,朱志宇,葛慧林
下载Doc文档

猜你喜欢