导读:本文包含了室内目标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:区域性定位,多目标跟踪,长距离定位,跟踪定位
室内目标跟踪论文文献综述
王晓云[1]（2019）在《区域性多目标长距离移动跟踪室内定位系统设计》一文中研究指出针对传统定位系统在定位室内目标时,定位数量较少,不能精准地确定其所在位置的问题,设计了一种新的室内定位系统。分别对系统的硬件和软件进行设计,硬件由电源、追踪采集器、处理器、触屏显示器和警报器共同构成,电路连接方式分为串联、并联2种,硬件操控网络为物联网;基于神经网络算法编写了软件流程,软件通过采集信息、处理追踪信息、中心系统分析、确立位置、位置追踪和显示结果6步完成工作。实验结果显示,在相同时间内,该系统定位目标更多,定位范围更广。(本文来源于《西安工程大学学报》期刊2019年03期）
李金杰,崔英花[2]（2019）在《改进的粒子滤波算法在RFID室内目标跟踪中的应用》一文中研究指出针对复杂室内环境下,现有的RFID目标跟踪方法容易受到多径效应和非视距等因素影响,采用典型的粒子滤波算法估计精度低的问题,提出了一种改进的粒子滤波算法.该算法利用了无迹卡尔曼滤波来构造粒子滤波的重要性分布函数,使得重要性分布函数融入最新的观测信息.根据运动模型建立了动态目标的状态方程,将阅读器接收到的信号强度作为观测值建立了观测方程.通过该算法与其他滤波算法相比较,仿真结果表明,该算法有效提高了目标跟踪的精度,增强了目标跟踪系统的稳定性.(本文来源于《微电子学与计算机》期刊2019年06期）
李亚茹[3]（2019）在《室内移动目标定位与跟踪方法研究》一文中研究指出动态定位是无线传感器网络中重要技术之一,在多种领域都有广泛的应用,例如,数字农业、仓库物体的检测、井下勘探等。但是由于室内外实验环境的复杂多变性以及移动节点的未知运动状态等因素的存在,其对节点定位与跟踪的成功率和精度有着严重的影响,尤其是对室内环境中的移动未知节点的定位与跟踪研究还存在不足,主要表现在:一是在室内环境中不同障碍物对信号传播的影响;二是定位与跟踪的对象大多数是基于节点静止或节点按照路径规划移动;叁是室内定位与跟踪的精度有待提高。针对以上问题,本文主要从3个方面进行创新,一是建立更加符合实验环境的新的信号损耗模型;二是改进定位算法以提高定位精度和定位成功率;叁是改进跟踪滤波算法使未知节点的跟踪路径更加贴近真实路径,实现路径优化。模型建立阶段,通过室内环境中大量的实验,本文提出多结构信号损耗模型。根据测量数据进行数据曲线拟合,最终得到信号损耗模型中的参数。由于影响信号强度的因素主要有两类,即两节点之间的距离和影响信号传播的障碍物,因此实地测量时也分为两类,即具有相同障碍物种类的条件下,不同距离与信号强度的关系;距离相同的条件下,不同障碍物与信号强度的关系。定位算法改进阶段,以模型建立阶段提出的模型为基础,本文提出了基于WSN区域划分的室内移动目标定位算法(Region Division Localization Algorithm,RDLA)。该算法根据参考节点的序号和坐标首先将实验区域分为3类:房间内,走廊上,楼梯空间内,从而可以在每个定位点上确定唯一的一个坐标范围;在每个定位点上以其坐标范围为限制条件对未知节点进行定位,若未成功定位或者定位坐标不在坐标范围内,为解决该问题本文提出利用交空间的质心作为该定位点的坐标。跟踪算法改进阶段,在定位算法改进阶段定位出的坐标基础上,本文提出了基于马尔可夫-卡尔曼滤波的室内移动目标跟踪算法研究(Markov-Kalman Filter tracking algorithm for indoor moving targets,MKF)。该算法首先根据马尔可夫的性质在定位坐标周围利用非线性公式形成采样点并计算每个采样点的权值,将采样点代替定位点作为滤波对象加入到卡尔曼滤波中,最终得到未知节点的移动路径。仿真结果表明:与无迹卡尔曼跟踪算法和马尔可夫矩阵修正IMM跟踪算法相比,MKF跟踪算法的平均定位误差分别下降了1.216%和0.71%。(本文来源于《东北电力大学》期刊2019-05-01）
尹彦卿[4]（2019）在《基于深度学习的室内多移动目标跟踪技术研究》一文中研究指出与传统的目标检测技术相比,深度学习技术具有优异的检测精度和泛化能力,将其应用在多旋翼无人机上,可显着提高无人机的智能化程度,实现大场景范围内、复杂情况下对多种复杂目标的识别和跟踪,具有良好的应用前景。本文针对室内复杂情况下进行多移动目标跟踪的问题,开展了深度学习算法在多旋翼无人机平台上的应用研究,搭建了以NVIDIA TX2核心板为基础的硬件平台,以YOLO算法为基础,针对无人机目标跟踪应用进行了计算资源、检测精度和检测速度的改进研究。首先,针对国际空中机器人大赛第七代任务要求,设计了以深度学习算法为基础的目标检测和跟踪方案。在此基础上,基于NVIDIA TX2核心板设计了小体积、轻量化的机载深度学习计算平台,开发了针对特定地面目标的YOLO深度学习检测算法,建立了地面目标数据集,进行了网络参数调整和训练,并在数据集上进行了测试,测试表明与传统机器视觉算法相比,本文所开发的算法在复杂环境下对于地面目标具有良好的识别效果。其次,为了改善深度学习算法在多旋翼无人机上的应用效果,本文从检测精度和检测速度两个方向着手改进算法的性能。设计了多尺度预测机制和基于K-means的目标框预测聚类算法,改进了YOLO算法对小面积目标的检测性能,提高了识别率和位置检测的准确率。设计了TensorRT加速推理和INT8权值量化的方法,对深度学习算法的检测速度进行了改进。以上措施可在改善算法准确率的同时将检测速度提高3倍以上。最后,本文针对室内多移动目标的跟踪技术进行了研究。设计了粒子滤波算法对检测到的目标运动进行预测与滤波处理,得到连续、稳定的目标位置;设计了基于视觉信息的无人机室内定位技术,进而得到场地内飞行器自身和所有移动目标的全局坐标,搭建了基于Gazebo的仿真实验环境,进行了软件仿真,在此基础上进行了实际试飞验证,结果证明了本文提出的整套目标检测和跟踪算法的有效性。(本文来源于《南京航空航天大学》期刊2019-01-01）
郝志洋[5]（2018）在《四旋翼飞行器室内定位及目标跟踪研究》一文中研究指出近年来,各类飞行器发展迅速,应用范围广泛。常见的飞行器有固定翼飞行器和四旋翼飞行器。固定翼飞行器常用于航模培训和学校的比赛赛事,具备影响力的赛事主要是中国国际飞行器挑战赛和美国SAE国际航空设计大赛;四旋翼飞行器具有重量轻、体积小、飞行灵活等优点,得到了人们的广泛认可,具有广泛的前景,在民用和军事上有了更多的应用。近些年,各国学者对于四旋翼飞行器的研究已经逐渐由室外转为室内,用四旋翼无人机来完成一些更具挑战性的任务。四旋翼能够在室外稳定工作的前提是依照GPS进行定位和导航,在室内环境下GPS信号缺失,传统的定位方法不能发挥良好的性能,因此将计算机视觉和飞行器传感器配合使用成了近些年研究的重点。本文依托于国际空中机器人大赛,根据任务分工不同,主要解决了飞行器的自定位和对移动目标的跟踪两个问题,主要工作和创新如下所述。首先,完成本文工作的关键在于飞行器在室内姿态是否稳定,依照任务搭建了满足要求的硬件平台,平台的主要策略由机载计算机进行控制。文章提出了一套基于改进ORB的特征光流算法,优化了传统的光流算法的运算速度和精度,使得飞行器在室内稳定悬停。姿态稳定后,通过目标跟踪算法提取目标运动轨迹,根据起始点、结束点和飞行器投影点的空间位置关系,解算出飞行器在世界坐标系下的坐标位置。其次,将计算机视觉和飞行器的惯性导航信息相融合计算,首先对跟踪算法进行了分析研究,最终选取了连续自适应的Mean Shift算法(CamShift算法)进行目标识别和跟踪,根据起始帧给定的包含图像特征信息的目标模型,通过巴氏距离系数在后续帧中选取和目标模型相似的模型,对目标位置进行预测分析,完成了单目视觉下对移动目标的跟踪。最后,在室内环中进行飞行器的室内自定位和目标跟踪试验,试验验证了本文算法的可行性,满足任务所要求的精度。(本文来源于《宁夏大学》期刊2018-05-01）
刘坤[6]（2018）在《基于视觉信息的室内移动机器人目标跟踪及路径规划》一文中研究指出移动机器人自主导航需要感知环境信息,对障碍物和目标进行定位与跟踪,构建二维实时地图信息,由此进行路径规划。本文基于多视觉信息,针对室内环境特点,研究了移动机器人自主导航中的环境检测、动态目标跟踪和路径规划及优化问题,主要内容如下:构建了移动机器人自主导航视觉系统,提出了单目和双目组合式的视觉系统框架。分析了单目视觉和双目视觉的应用及其信息融合,设计了移动机器人双目视觉系统,进行了双目标定和立体校正研究。针对室内环境存在阴影干扰问题,提出了一种融合色彩饱和度信息的单尺度Retinex阴影消除算法。根据环境亮度信息,自适应调节和增强融合图像中地面与障碍物的灰度差,有效提取障碍物。对阴影消除后图像进行种子填充、形态学操作等处理,将环境场景分割为障碍物、背景和地面区域。针对移动机器人障碍物测量实时性要求,提出了基于模板匹配的双目视觉测量方法,在移动机器人平台上实现了简单快速的双目视觉障碍物测量。障碍物检测测量实验中,平均测量相对误差1.77%,平均耗时45.5ms,具有较好的准确性和实时性。针对背景干扰、目标旋转、遮挡和快速运动等复杂环境下跟踪问题,提出了一种特征点辅助的时空上下文跟踪算法。利用光流跟踪和特征点匹配进行目标特征点追踪,并由聚类等操作完成目标位置预估;建立目标特征点变化率与时空上下文模型更新率关系模型,实时调控更新率,防止错误信息引入;在目标预估位置构建局部上下文外观模型,并计算其与时空上下文模型相关性获取置信图,进一步精确定位目标。与目前四种主流的目标跟踪法算法对比试验中,本文算法在跟踪成功率和跟踪误差方面综合性能最佳。移动机器人对随机运动目标跟踪测试实验中,跟踪成功率为97.4%。基于多信息融合方法,建立了障碍物、目标体和移动机器人位置等信息的实时地图。提出了一种改进的速度向量场路径规划算法,引入吸引速度衰减场,避免机器人在目标点附近震荡;提出了对数形式排斥速度及其衰减策略,解决了机器人轨迹抖动和目标处于障碍物排斥场时无法到达的问题;优化了静态和动态障碍物下切向速度方向选取,确保最短安全路径同时可有效摆脱局部极小值。基于本文提出的单目和双目组合式视觉系统,综合障碍物检测测量方法、目标跟踪算法及路径规划算法。设计了移动机器人室内自主导航实验,实现了自主、自适应和实时路径规划的目标,实验结果验证了本文方法的可行性和有效性。(本文来源于《华南理工大学》期刊2018-04-12）
袁瑞阳[7]（2018）在《基于WiFi的室内定位及目标跟踪技术研究》一文中研究指出近年来,随着室内无线网络应用技术的快速发展,无线接入(AP)设备的普及,基于WiFi信号的室内定位技术成为了学术界和工业界研究的热点。目前,文献中提出的室内定位算法层出不穷,但是一般离不开两种主要方法:第一种是基于位置指纹的室内定位方法,该方法可行性高,复杂度低,定位效果在环境变化不大的情况下较好,定位精度随着位置指纹的采集密度的升高而提高,所以在保证定位精度的时候,定位效率会随着定位面积的增大而降低;第二种是基于距离的室内定位方法,该方法的定位精确度依赖于距离测量的准确度,当能够精确测量出发送端和接收端之间的距离时,该定位方法能够获得较好的定位结果,另外该方法不需要前期投入人力进行大量离线数据的采集,能适应环境变化。但是室内环境复杂,WiFi信号到达接收端的路径多变,很难找到信号强度和距离之间准确的函数关系。基于位置指纹的室内定位方法虽然能够获得较高的室内定位精度,但是存在指纹信息量和定位精度之间的权衡问题。基于距离的叁边定位方法虽然能够避免离线阶段大量的准备工作,但是发送端和接收端之间距离的估计存在一定的误差。因此,单一使用位置指纹或距离估计的方法很难获得理想的室内定位效果,所以本文提出了一种改进的室内定位方法:首先,离线阶段采集室内主要地点的位置指纹信息,并且按照信号强度最强,接收端朝向及定位时间的特点将位置指纹信息进行拆分,以减少指纹匹配的时间。同时利用采集到的WiFi信息进行RSS-距离公式的拟合。接着,在线阶段利用接收端接收到的WiFi信号和传感器信息进行指纹建立,匹配,距离估算,叁边定位。最终,用叁边定位的结果对指纹定位的前K个结果进行加权平均求得接收端的位置信息。通过对各种室内环境的仿真,验证了本文所提定位算法的有效性。室内目标跟踪技术的研究也越来越受到关注,本文主要结合室内环境和设备特点,使用滤波技术对室内目标的跟踪问题进行了研究。首先,介绍了卡尔曼滤波和粒子滤波的原理,并给出了滤波的算法流程和其适用的场景。其次,结合本文提出的室内定位方法的定位结果,给出了室内运动目标跟踪的粒子滤波算法。接着,考虑了室内目标运动模式的多样性,引入了交互多模型粒子滤波技术对室内目标进行跟踪。最后,结合室内跟踪的环境和设备特点,提出了进一步改进的跟踪方法,即通过设备传感器数据对目标运动模式进行识别,之后对线性运动模型和非线性运动模型分别运用卡尔曼滤波和粒子滤波进行跟踪,仿真结果表明,该方法能够实现1米左右的跟踪误差。(本文来源于《西安电子科技大学》期刊2018-04-01）
任陶瑞[8]（2016）在《室内监控中多目标检测及跟踪设计与实现》一文中研究指出随着视频分析技术的发展,视频监控系统已经从简单的视频图像采集存储系统逐渐发展为智能视频监控系统,视频分析技术已经在许多行业开展应用。由于视频场景纷繁复杂,几乎没有视频分析算法能够适应所有的应用场景。本课题主要研究的场景为室内,室内场景有着光源复杂,目标容易遮挡重迭的特点,传统的目标检测与跟踪算法在室内场景下的前景检测与跟踪存在标记的目标框不稳定、闪烁、分裂、跟丢、多人标记为同一目标与抗背景遮挡的效果较差等问题,所以在跟踪稳定性要求较高的场景中,其应用受到了很大限制。为了解决以上实际工程中遇到的问题,课题主要研究博物馆室内监控场景下多个目标的稳定检测与有效的跟踪算法,重点针对其场景特点进行算法的优化,利用梯度直方图特征对目标进行检测,再以TLD跟踪算法为基础,针对当前跟踪过程的错误进行校正,合理融合SIFT角点特征与颜色特征辅助实现目标的稳定跟踪。在实现多目标的跟踪过程中,设计合理的计算机资源调度方案,完成对多个目标的同时跟踪。本文提出的算法经过城市博物馆实际智能视频分析跟踪系统的测试,取得了较好的检测和跟踪效果,实验测试表明本文提出的算法结构模块可以方便地与其他的视频分析算法进行对接融合,为实现更复杂的智能视频分析系统奠定了基础。(本文来源于《南京邮电大学》期刊2016-11-18）
肖爽[9]（2016）在《基于行人检测与目标跟踪的多技术融合室内监控应用研究》一文中研究指出计算机视觉领域中,对于行人的检测是一种非常常见的应用技术,而检测行人不仅是该领域中的一个研究热点,也是一个研究难点。行人检测及跟踪技术在实际应用中因其体积小、精度高、成本低,且可节省物力、财力和人力,所以,行人检测应用相当广泛,如智能监控、无人驾驶、智能机器人和行人分析等领域。在视频监控系统中,我们可以根据摄像头的分布来进行远距离和多方位的监控,并对摄像头所采集的影像进行分析处理,以实现对拍摄到的运动目标的检测及跟踪,在发现可疑目标或不安全因素的行为时,可以准确的发出警报,并及时提示管理者防范和处理。虽然,目前行人检测和跟踪技术发展越来越成熟,但是在复杂的环境下发生遮挡的情况,也是当前行人检测研究的重点和难点。本文中提出了一种方法,对行人检测与跟踪起到了一定的效果,但还需不断学习完善。本文的主要研究内容如下:介绍了室内监控摄像的行人检测与跟踪课题的研究背景和意义以及目前国内外相关研究的现状;接下来简单介绍了运动目标检测与提取的一些方法;又对历史上比较经典的行人检测方法做了简要的描述。然后本课题中使用了多尺度HOG特征和基于Fisher准则的行人强分辨力特征选取,以提高对人体检测精度、降低特征维数。实验表明,该算法相对于全局扫描来说,减少了检测窗数量,加快了检测速率,并且保证了行人检测准确率在90%以上。而行人跟踪,则是根据对前一帧进行学习,然后再对当前帧的信息进行预测的过程。本文选取Mean shift算法对行人目标进行跟踪,在发生遮挡时,选择使用kalman滤波器对行人目标进行预测,实验表明,该算法在对行人目标进行跟踪时,不仅能准确的跟踪行人,而且当目标在部分遮挡或严重遮挡情况下,对行人目标进行稳定有效地跟踪,保持目标运动的完整性。本作者提出把强分辨力行人特征提取的行人检测方法与Mean shift算法和kalman滤波的行人跟踪方法相融合,在行人跟踪之前加强对行人的检测,在保证行人检测的速度与精度的同时,更能提升行人跟踪的准确度。(本文来源于《北方民族大学》期刊2016-04-01）
王福伟,黄智刚[10]（2016）在《室内定位中移动目标轨迹跟踪研究》一文中研究指出针对基于WiFi的室内定位系统由于WiFi信号的不稳定造成定位轨迹跳跃波动性大的问题,本文提出一种HMM-KFMC算法,该算法针对室内环境下人的运动特征建立隐藏马尔科夫模型(HMM),并基于概率型算法改进了解码定位算法,通过含地图修正的卡尔曼滤波器(KFMC)降低解码定位造成的量化误差并用滤波所得速度分量修正HMM的转移概率。实际环境中的测试结果表明,与概率型定位算法相比,所提出的算法可以优化定位轨迹,并将定位平均误差降低了约42.46%。(本文来源于《导航定位学报》期刊2016年01期）
室内目标跟踪论文开题报告
（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：
针对复杂室内环境下,现有的RFID目标跟踪方法容易受到多径效应和非视距等因素影响,采用典型的粒子滤波算法估计精度低的问题,提出了一种改进的粒子滤波算法.该算法利用了无迹卡尔曼滤波来构造粒子滤波的重要性分布函数,使得重要性分布函数融入最新的观测信息.根据运动模型建立了动态目标的状态方程,将阅读器接收到的信号强度作为观测值建立了观测方程.通过该算法与其他滤波算法相比较,仿真结果表明,该算法有效提高了目标跟踪的精度,增强了目标跟踪系统的稳定性.
（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。
室内目标跟踪论文参考文献
[1].王晓云.区域性多目标长距离移动跟踪室内定位系统设计[J].西安工程大学学报.2019
[2].李金杰,崔英花.改进的粒子滤波算法在RFID室内目标跟踪中的应用[J].微电子学与计算机.2019
[3].李亚茹.室内移动目标定位与跟踪方法研究[D].东北电力大学.2019
[4].尹彦卿.基于深度学习的室内多移动目标跟踪技术研究[D].南京航空航天大学.2019
[5].郝志洋.四旋翼飞行器室内定位及目标跟踪研究[D].宁夏大学.2018
[6].刘坤.基于视觉信息的室内移动机器人目标跟踪及路径规划[D].华南理工大学.2018
[7].袁瑞阳.基于WiFi的室内定位及目标跟踪技术研究[D].西安电子科技大学.2018
[8].任陶瑞.室内监控中多目标检测及跟踪设计与实现[D].南京邮电大学.2016
[9].肖爽.基于行人检测与目标跟踪的多技术融合室内监控应用研究[D].北方民族大学.2016
[10].王福伟,黄智刚.室内定位中移动目标轨迹跟踪研究[J].导航定位学报.2016