导读:本文包含了运动目标检测与分析论文开题报告文献综述及选题提纲参考文献，主要关键词:在轨服务,运动分析,叁维重建,位姿跟踪
运动目标检测与分析论文文献综述
张正元[1]（2019）在《基于视觉的卫星运动分析测量和目标检测研究》一文中研究指出随着人类对太空资源利用的不断深化,近地空间存在着大量的太空垃圾潜在威胁航天器运行,空间轨道上的失效卫星需要维修或移除。由于这些实际的在轨服务需求,空间非合作目标的捕获具有重要的实际意义。在空间非合作目标捕获技术中,视觉技术在其中扮演着重要的角色,视觉信息完成对机械臂控制、导航。机载相机对目标星的成像过程中,完成对目标星的运动分析、叁维重建、位姿跟踪以及抓捕位置的识别。各个步骤随着抓捕系统与目标星的距离远近依次进行、循序渐进,获取的信息也越加丰富、精确。尽管近年来机械臂控制技术和计算机视觉测量技术都有了长足的进步,但如何实现对空间非合作目标的自主、智能抓捕任然是一个极具挑战性的研究课题。尤其是考虑到空间中严苛多变的光照条件、复杂的电磁环境以及机载计算机处理器有限的计算能力,这些都对空间视觉技术相对于地面环境提出了更高的要求。本文根据单目、双目视觉理论、多视图几何理论以及基于深度学习的目标检测技术,提出了一套基于不同距离的空间目标视觉测量检测策略,并结合卫星模型和实验室现有设备开展了相关卫星地面测量检测实验。本文首先对国内外空间非合作目标抓捕策略和视觉技术的研究现状、研究方法进行了详细的分析,确定了基于视觉空间非合作目标抓捕的基本途径,即确定了本文的基本研究路线和研究内容,并在此基础上根据相关理论搭建系统开展相关研究。为了在远距离时初步确定卫星的旋转速度以判定抓捕任务的可行性,视觉系统开启监控模式。通过从单目相机中提取连续的卫星图像,通过奇异值分解和罗德里格斯公式计算卫星的旋转角度;为了在中距离时较为精确地对卫星的相对位姿进行测量,引入立体视觉技术,视觉系统开启获取模式。通过双目相机测距并获取卫星稀疏点云,然后对相邻点云做配准以得到相对位姿结果,最后对卫星实现叁维重建;在近距离时完成对卫星上机械对接装置的识别,以实现最后阶段的对接任务,视觉系统开启跟踪模式。通过基于深度学习技术的目标检测方法,对卫星上的太阳帆板连接架做高效可靠的检测。最后开展相关实验验证上述理论算法的有效性及可靠性,根据得到的实验数据和结果,可以判定所采用的方法有效解决了上述难点、问题。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
都桂英,陈铭进[2]（2018）在《基于智能视频分析的运动目标异常行为检测算法研究》一文中研究指出本文通过改进原有光流方向直方图的计算方法,将光流能量信息融合在计算过程中,基于加权光流能量的HOFO特征,提出进行异常行为检测的算法,采用SVM和HOFO特征相结合的方法,检测识别视频中异常行为。实验表明,与原始算法相比,在样本相同的情况下,打架、摔倒、砸车叁种行为中,改进的算法检测效果均要好,在进行线性SVM分类器的训练时,发现算法检测准确率随着样本数量的增加而提高。(本文来源于《电视技术》期刊2018年12期）
莫言[3]（2018）在《基于在线鲁棒主成分分析的运动目标检测方法研究》一文中研究指出随着人工智能技术爆发式的增长,与其相关领域的研究也开始受到越来越多研究者的重视。由于视觉获取到的信息在人类的所有感知器官的比重中占到了80%,所以人工智能在发展到与人类一样能感知信息并做出决策的最终阶段之前,计算机视觉技术的发展显然异常关键。而其中运动目标检测作为计算机视觉的重要底层处理步骤,有着十分广泛的应用范围。但是现有的运动目标检测算法仍存在着鲁棒性、检测精度和实时性等多重问题,所以具有较大的提升空间和研究意义。总的来说,本文的主要工作内容以及创新点可以用以下几点概括:1、总结传统的目标检测算法,将这些算法粗略分为:帧间差分法、背景减除法、光流法以及基于鲁棒主成分分析法的目标检测。在对它们的原理进行分别概述之后,归纳了这些算法的优缺点。虽然它们有的原理简单、计算速度快,或是在特定的场景下得到的检测结果精度较高,但是总的来说都不能满足实际应用的需求。2、介绍了鲁棒主成分分析模型(RPCA)的起源和原理,对于几种鲁棒主成分分析模型算法进行一系列阐述,总结得到了它们普遍存在的叁个问题:奇异值分解步骤的计算量大;不适用于实时性要求较高的场景;样本占用内存大。3、针对在线鲁棒主成分分析算法(OR-PCA)中存在的随机初始化策略导致的初始化效果不佳的问题,本文提出了一种结合批处理初始化的改进OR-PCA的目标检测算法。通过批初始化的策略,提高了初始化效率,同时可以缩小基矩阵的大小,达到提升检测效率的目的。后续一系列的实验测试结果表明,本文提出的改进OR-PCA算法具有较佳的检测精度、计算速度以及鲁棒性,同时相对于原始的OR-PCA方法,初始化效率提升效果显着。4、引入超像素分割的理念,进一步利用有限初始化视频帧中的颜色、空间结构信息,提出了结合超像素改进的OR-PCA目标检测算法,从而提升了算法对于高动态背景场景的抗干扰性。最后选择了最为合适的中值滤波作为后处理,完成了完整的运动目标检测软件,并以用户交互界面的形式展示出来。(本文来源于《湘潭大学》期刊2018-06-06）
范新南,薛瑞阳,史朋飞,李敏,倪建军[4]（2018）在《基于非负矩阵分解与相似性分析的运动目标检测》一文中研究指出提出一种结合修正的非负矩阵分解与向量相似性分析进行运动目标检测的方法。该方法首先使用修正后的非负矩阵分解算法从连续图像序列中恢复出背景图像,然后分析待检测帧像素点与恢复出来的背景模型之间的相似性,根据相似性的高低区分背景与前景。为了减少计算量,降低动态背景对检测结果的干扰,该方法在进行相似性分析之前,通过核密度估计的方法对运动区域进行估计。实验结果表明,该方法能够较为精确地恢复出背景图像,并有效地检测出运动目标。(本文来源于《计算机与现代化》期刊2018年04期）
杨依忠,汪鹏飞,胡雄楼,伍能举[5]（2018）在《基于鲁棒主成分分析的运动目标检测优化算法》一文中研究指出针对鲁棒主成分分析(Robust Principal Component Analysis,RPCA)算法中将动态背景误检为运动目标的问题,该文提出一种运动目标检测优化算法。在RPCA算法初步检测出运动目标后,利用动态背景在时间域上满足高斯分布的特性,以及动态背景和运动目标在整个视频流上检出点均值和方差的差异特性,进一步将动态背景和运动目标分离开来。实验结果表明,所提算法能够有效地处理动态背景的问题,并在一定程度上完整检测出运动目标。(本文来源于《电子与信息学报》期刊2018年06期）
张正鹏,音涛,吴海林[6]（2018）在《视频星运动目标检测方法的对比和分析》一文中研究指出视频卫星可提供大尺度运动场景的实时监控,而运动目标检测是其应用的核心问题。本文设计并实现了目前3种主流的运动目标检测方法,以路面交通监控视频和卫星视频为应用背景,详细探讨了3种方法在检测精度、实时性和运动目标完整性等方面的优缺点和适用条件。实验表明:混合高斯模型方法在多目标复杂背景下,表现出较强的适应性。粒子滤波法具有抗灰尘噪声干扰特性,运动目标边缘保持较好。(本文来源于《测绘与空间地理信息》期刊2018年03期）
张大禹[7]（2018）在《计算机视频图像运动目标检测技术及算法分析》一文中研究指出视觉分析的一大研究重点就是检测视频图像中的运动目标。那么运动目标的检测具体是指什么呢?它是一种技术手段,能够将运动变化区域从视频的图像中提取出来。视频图像运动目标的检测在我国计算机视觉领域中占据着至关重要的地位,运动目标的分类和跟踪都很大程度上受其影响。并且能够广泛应用于许多重要领域,如武器目标定位、城市管理、野外环境测控等,城市管理和治安防控都与其有着极为密切的联系,可以实时监控固定的区域并记录信息。本文仔细深入的研究了视频图像中运动目标的检测,并对一些比较常用的检测算法进行了分析,旨在为相关领域做出一点贡献。(本文来源于《自动化与仪器仪表》期刊2018年02期）
依玉峰,田宏[8]（2017）在《基于时域运动特征分析点目标检测方法》一文中研究指出针对传统点目标检测方法无法精确检测出复杂背景下点目标的问题,根据点目标的红外辐射特性和时域运动特性,提出一种新颖的复杂背景下点目标检测方法。通过分析点目标的红外辐射特性和在序列图像中的能量变化特性,找到目标点与干扰点之间的差异。通过搜索领域内极大值点、去除噪点、去除目标灰度幅值变化缓慢的点和不服从二维高斯分布的点,检测出候选目标点;根据目标位置信息构造时空管道,沿时空管道预测下一帧目标可能出现的位置,根据同一目标在序列图像中能量变化特性和面积变化特性进行目标真伪性判断。实验结果表明,与传统的点目标检测方法相比,文中方法在点目标的检测精度和检测效率方面都有很大提高。(本文来源于《光电技术应用》期刊2017年02期）
崔智高,王华,李艾华,王涛,李辉[9]（2017）在《动态背景下基于光流场分析的运动目标检测算法》一文中研究指出针对现有动态背景下运动目标检测算法的不足,提出一种基于光流场分析的运动目标检测算法.首先根据前背景在光流梯度幅值和光流矢量方向上的差异确定目标的大致边界,然后通过点在多边形内部原理获得边界内部的稀疏像素点,最后以超像素为节点,利用混合高斯模型拟合的表观信息和超像素的时空邻域关系构建马尔可夫随机场模型的能量函数,并通过使目标函数能量最小化得到最终的运动目标检测结果.该算法不需要任何先验假设,能够同时处理动态背景和静态背景两种情况.多组实验结果表明,本文算法在检测的准确性和处理速度上均优于现有算法.(本文来源于《物理学报》期刊2017年08期）
汪梦[10]（2017）在《监控视频运动目标检测和人体行为分析》一文中研究指出监控视频的运动目标检测和人体行为分析技术是以人为监控目标的监控系统自动化的关键技术。该技术在交通监管、军事航天、体育竞技等领域具有广泛应用,对于如机场、火车站等人流量较大的公共场所的安全防范工作尤其重要。人工的监察耗时长、工作量大且易疏漏。因而基于监控视频的运动目标的自动检测和人体行为自动化识别技术具有重要研究意义与价值。本文的主要研究内容包含叁个方面,其中运动目标检测、多行人跟踪及人体行人识别为主要研究内容。本文先通过一种用置信度将纹理和颜色特征融合的背景差分法检测出运动目标区域,并对运动目标中的人体进行检测和跟踪,最后基于跟踪所得的人体动作关键帧序列对人体走、奔跑、慢跑、拍手、挥手5种动作进行分类。本文的主要研究内容如下:(1)通过综合比较颜色特征和纹理特征在运动目标检测中的优缺点,针对两者的优缺点提出了一种基于纹理和颜色特征置信融合的运动目标检测方法。该方法以局部叁值模式纹理特征(Scale Invariant Local Ternary Pattern,SILTP)值与RGB颜色信息值及各自的置信度一起构建背景模型,然后根据相似度匹配对像素点分类。实验证明本文提出的方法能有效改善光照变化和阴影造成的误检,对复杂动态背景也有一定的处理效果。(2)DPM(Deformable Parts Model)算法是目前具有最高水平行人检测效果的多模型、多尺度行人检测算法,本文基于DPM良好的行人检测效果,提出了一个多行人跟踪框架。该框架基于Kalman滤波的单行人跟踪器对每个行人跟踪,然后用JPDA数据关联算法将检测与目标关联从而实现多行人跟踪。该跟踪框架对遮挡和尺度较小的行人也能有效跟踪。(3)对传统的基于时空兴趣点的人体行为分析算法做出改进。在原来的算法基础上引入人体的宽高比特征、速度与时空特征一起构建行为特征向量。并通过k-means算法对特征向量分类。最后根据Hausdorff距离计算相似度,从而将动作分类。本文通过加入跟踪所得的动作之人的宽高比特征和速度特征。通过实验证明改进后的算法能更好的将走、奔跑、慢跑加以区分,宽高比特征的加入也使得拍手和挥手的识别率提高。(本文来源于《武汉理工大学》期刊2017-03-01）
运动目标检测与分析论文开题报告
（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：
本文通过改进原有光流方向直方图的计算方法,将光流能量信息融合在计算过程中,基于加权光流能量的HOFO特征,提出进行异常行为检测的算法,采用SVM和HOFO特征相结合的方法,检测识别视频中异常行为。实验表明,与原始算法相比,在样本相同的情况下,打架、摔倒、砸车叁种行为中,改进的算法检测效果均要好,在进行线性SVM分类器的训练时,发现算法检测准确率随着样本数量的增加而提高。
（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。
运动目标检测与分析论文参考文献
[1].张正元.基于视觉的卫星运动分析测量和目标检测研究[D].哈尔滨工业大学.2019
[2].都桂英,陈铭进.基于智能视频分析的运动目标异常行为检测算法研究[J].电视技术.2018
[3].莫言.基于在线鲁棒主成分分析的运动目标检测方法研究[D].湘潭大学.2018
[4].范新南,薛瑞阳,史朋飞,李敏,倪建军.基于非负矩阵分解与相似性分析的运动目标检测[J].计算机与现代化.2018
[5].杨依忠,汪鹏飞,胡雄楼,伍能举.基于鲁棒主成分分析的运动目标检测优化算法[J].电子与信息学报.2018
[6].张正鹏,音涛,吴海林.视频星运动目标检测方法的对比和分析[J].测绘与空间地理信息.2018
[7].张大禹.计算机视频图像运动目标检测技术及算法分析[J].自动化与仪器仪表.2018
[8].依玉峰,田宏.基于时域运动特征分析点目标检测方法[J].光电技术应用.2017
[9].崔智高,王华,李艾华,王涛,李辉.动态背景下基于光流场分析的运动目标检测算法[J].物理学报.2017
[10].汪梦.监控视频运动目标检测和人体行为分析[D].武汉理工大学.2017