导读:本文包含了目标检测和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:动态目标跟踪,粗大误差,扩展卡尔曼滤波
目标检测和跟踪论文文献综述
张迪,张正江,胡桂廷,朱志亮[1]（2019）在《基于粗大误差检测和补偿的改进型EKF动态目标跟踪算法》一文中研究指出卡尔曼滤波作为当前动态目标跟踪中的常用滤波算法,研究其动态跟踪的准确性对于军事制导,交通导航等领域具有重大意义;针对动态系统目标跟踪观测过程中存在的坏值、静差和漂移3种粗大误差,基于传统扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法框架,引入了一种粗大误差检测和补偿方法,实现了对动态系统观测值中粗大误差的准确辨识和优化补偿,使得扩展卡尔曼滤波能够结合粗大误差检测和补偿方法有效地排除观测值中的粗大误差,滤波后的状态估计值更加准确地逼近真实值;经过仿真实验和对比,提出的改进型EKF算法能有效地排除粗大误差观测值对状态预测过程的影响,并且实现了对动态系统目标的准确跟踪,这大大提高了动态目标跟踪的精确度。(本文来源于《计算机测量与控制》期刊2019年10期）
周明利,吴俭,柯涛,苏贝贝[2]（2019）在《近场小慢目标雷达检测前跟踪技术研究》一文中研究指出介绍了检测前跟踪(TBD)技术的基本原理,分析了其对小慢目标的检测跟踪性能,给出了基于动态规划的TBD算法流程,基于某近程连续波雷达进行了算法验证,结果证明了算法的有效性。(本文来源于《舰船电子对抗》期刊2019年05期）
刘晓悦,王云明[3]（2019）在《基于HOG-SVM的改进跟踪-学习-检测算法的目标跟踪方法》一文中研究指出对于经典跟踪-学习-检测(TLD)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,提出一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bit BP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。(本文来源于《科学技术与工程》期刊2019年27期）
陈卫东,陈磊,邓志巍,刘宏炜,董惠茹[4]（2019）在《基于混合相关滤波信息融合再检测的目标跟踪算法》一文中研究指出为了减小在目标跟踪过程中目标形变和复杂背景变化对跟踪效果的影响,提出一种基于混合相关滤波信息融合再检测的目标跟踪算法。首先,利用相关滤波算法提取到目标的方向梯度直方图Ho G特征,利用颜色模板得到目标的颜色特征,计算两个模板的采样得分;其次,再将两者的特征信息用线性组合的形式进行特征信息融合确定目标位置,跟踪过程中,根据设定的阈值条件选择两个模板采样较大的得分再检测目标的位置;最后,输出所有帧目标位置的结果。与其他的算法进行比较,该算法在应对目标形变和背景杂波方面有较好的跟踪效果。(本文来源于《计量学报》期刊2019年06期）
孟宁,史小斌,高青松,连豪,任哲毅[5]（2019）在《一种机动目标动态规划检测前跟踪算法》一文中研究指出针对传统动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法检测强机动目标时性能较差的问题,本文利用目标状态转移矩阵先验信息改进了传统DP-TBD算法,使得目标状态转移步长随状态的变化自适应调整,以此来避免在检测转弯运动目标时传统动态规划算法由于转移步长不变而造成的转移步长与目标速度失配的问题。仿真结果显示,在检测转弯运动目标时所提算法的检测性能和跟踪性能都比传统算法有所提高。通过对改进的DP-TBD、传统DP-TBD算法的仿真和比较,改进的DP-TBD算法跟踪强机动目标性能得到了显着提升,并具有工程应用价值。(本文来源于《火控雷达技术》期刊2019年03期）
刘震[6]（2019）在《高斯和粒子滤波的弱小目标检测前跟踪算法》一文中研究指出为了解决微弱目标检测和跟踪的问题,提出了高斯和粒子滤波检测前跟踪算法(GSPF-TBD);该算法基于高斯和粒子滤波递归地估计目标的后验概率密度,不仅避免了基本粒子滤波TBD(检测前跟踪)方法中的重采样过程,而且更能准确地逼近后验概率密度。将粒子滤波算法(PF)、高斯粒子滤波算法(GPF)和高斯和粒子滤波算法(GSPF)应用于弱小目标的检测前跟踪的仿真实验表明,所提出的GSPF-TBD算法提高了对目标的检测和跟踪性能。(本文来源于《计算机与数字工程》期刊2019年09期）
包本刚[7]（2019）在《融合多特征的目标检测与跟踪方法》一文中研究指出针对行人光照变化、背景与目标颜色相近以及目标遮挡等复杂环境中,易出现跟踪目标丢失的问题,提出一种融合多特征的Camshift算法与卡尔曼滤波相结合的目标检测跟踪方法。首先,为解决目标跟踪方法需要在初始帧手动选取行人目标的问题,在初始阶段利用梯度直方图特征(HOG)结合支持向量机(SVM)分类器进行行人目标检测;其次,利用欧式距离选取距离图像中心像素坐标最近的行人作为跟踪目标;同时,将行人分为5部分分别提取衣服颜色特征与HOG特征,根据权重进行融合,建立更加鲁棒的目标模型;最后,利用当前帧与前一帧的目标模型相似度设定遮挡阈值,实现Camshift算法与卡尔曼滤波算法的切换,解决目标遮挡问题,保障算法的鲁棒性。将该方法在OTB2013测试集各场景中进行实验,实验结果表明,在提升算法的鲁棒性同时,保障了算法的实时性。(本文来源于《电子测量与仪器学报》期刊2019年09期）
白中浩,朱磊,李智强[8]（2019）在《基于多模型融合和重新检测的高精度鲁棒目标跟踪》一文中研究指出针对目标跟踪在遮挡和光照变化等复杂场景下容易跟踪失败的问题,提出一种高精度鲁棒的目标跟踪算法。首先,将基于边缘信息的目标模型、基于梯度直方图(HOG)特征的滤波器模型和基于颜色直方图的颜色模型融合为更准确和鲁棒性更强的跟踪模型;然后,提出基于特征分数的双重跟踪可靠性判断依据,检测跟踪结果的可靠性;最后,在跟踪结果可靠性较低时,采用粒子滤波、稀疏表示以及距离约束定位进行重新检测,以实现持续稳定的跟踪。算法在OTB-2015数据集上的平均重迭精度为78. 2%,平均中心位置误差为23. 1 pixel,平均跟踪速率为30. 8 f/s,准确度和鲁棒性优于其他算法。在移动机器人和车辆跟踪平台上进行算法验证,平均重迭精度分别为97. 5%和97. 2%,平均中心位置误差分别为6. 8和12. 6 pixel,平均跟踪速率分别为29. 1和28. 4 f/s,能有效跟踪上述复杂场景的目标,且满足实时要求。(本文来源于《仪器仪表学报》期刊2019年09期）
王逍[9]（2019）在《视觉注意力和鲁棒深度特征学习驱动的目标检测与跟踪研究》一文中研究指出目标的检测与跟踪是计算机视觉领域的基本问题,也是智能视频监控系统的关键与核心技术。随着深度学习技术的推动,这方面的研究已经取得了令人瞩目的成就。但是,由于数据、场景、环境的复杂性,视觉目标的检测与跟踪仍然面临很多挑战。本文围绕上述复杂因素,从视觉注意力和鲁棒深度特征学习的角度出发,对目标检测和跟踪问题开展讨论,分别研究了基于自适应加权的多模态显着性目标检测方法、基于对象驱动视觉注意力的目标跟踪方法、基于困难正样本学习的目标跟踪方法、基于自然语言描述的目标跟踪方法以及基于困难行人身份挖掘的跨相机目标跟踪方法等。在多模态显着性目标检测方面,由于不同的多模态数据对最终结果的贡献不同,本文将重点研究多模态信息融合问题,即如何根据模态的质量实现自适应的加权。对于基于深度学习的方法,由于缺乏关于模态质量的标注信息,导致现有基于深度学习的方法很难将模态质量以监督学习的方式融合到整体的网络结构中。基于上述观察,本文借鉴了深度强化学习的思想,将不同模态的加权问题看做是序列决策问题。我们采取后期融合的思路,将多模态显着性物体检测分为两个阶段来进行。最终,在两个多模态任务上验证了该方法的有效性。对于跟踪问题,针对现有的跟踪算法对严重遮挡、短暂消失以及尺寸变换等挑战因素过于敏感的问题,本文分析了导致这种现象的原因,并且提出联合使用局部和全局候选样本搜索策略来改善在这些场景下的跟踪性能。具体来说,本文通过显示地产生全局注意力图来从中获取候选采样框,实现高质量全局候选框的产生。为了获得更好的运动信息,本文采用3D卷积神经网络来提取连续多帧的视频特征,同时提取初始目标物体的特征,组合后输入到上采样网络结构中。通过均方误差和对抗损失函数,我们可以进行该全局注意力网络的训练。在得到注意力图后,首先利用矩形框来确定高亮区域的位置信息,然后在该区域内部进行高斯采样。在跟踪过程中,同时将这种全局注意力候选样本和局部搜索样本输入到分类器当中,从中选择得分最高的样本作为得到当前帧的跟踪结果。后续模型的更新采用长期更新和短期更新迭代的方式进行。该联合局部和全局的搜索策略打破了常用的局部搜索窗口的局限性,并且在多个数据集上都取得了较好的实验效果。视觉跟踪任务存在的另一个重要的问题是跟踪过程中困难的训练样本太少,而实际基于深度学习的方法都需要海量的训练数据才会取得较好的效果。这就导致基于深度学习的跟踪算法对这些挑战因素的鲁棒性不足。针对上述问题,本文提出采用主动生成大量困难样本的策略来弥补这一鸿沟。特别的,本文利用变分自编码机来构建目标物体的流型,然后通过从该隐藏空间可以采样出大量具有多样性的数据。此外,为了使得模型对遮挡更加鲁棒,本文提出利用背景模块来主动遮挡目标物体的方法来生成困难样本。通过上述操作得到大量困难样本后,再进行深度匹配网络的训练,可以得到更佳的跟踪效果。当前主流的跟踪算法都是基于彩色图像,在给定初始目标位置的基础上进行的。在面临复杂背景、快速运动等问题时,仅仅依赖于物体的表观进行跟踪是不可靠的。本文利用图卷积神经网络,将训练样本的结构化关系考虑到模型中,与此同时,引入自然语言描述来引导更加鲁棒的特征学习。为了处理短暂消失、快速运动、严重遮挡等问题,我们联合利用自然语言描述和目标物体作为条件,通过编码器-解码器网络生成全局注意力图,进行全局候选样本采样。实验证明,在自然语言引导下的视觉跟踪,可以得到更好的跟踪效果。对于跨相机场景下的行人跟踪问题,一种常用的做法是利用叁元组损失函数进行特征的学习,然后在特征空间进行行人图像的比对。这种方法采用局部的批量数据构建策略,并且没有考虑到每个行人图像与其平均行人图像之间的关系,从而限制了其最终的识别性能。本文首先利用行人属性识别模型对行人图像进行属性预测,然后通过衡量不同行人图像之间的属性距离,来构建基于全局的批量数据。在训练过程中,本文将同一行人的平均特征和每一张图像之间的关系,作为网络学习的目标之一,添加到叁元组损失函数中。在行人属性识别和行人再识别的数据集上验证了本文所提方法的有效性。(本文来源于《安徽大学》期刊2019-09-01）
娄康,朱志宇,葛慧林[10]（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）
目标检测和跟踪论文开题报告
（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：
介绍了检测前跟踪(TBD)技术的基本原理,分析了其对小慢目标的检测跟踪性能,给出了基于动态规划的TBD算法流程,基于某近程连续波雷达进行了算法验证,结果证明了算法的有效性。
（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。
目标检测和跟踪论文参考文献
[1].张迪,张正江,胡桂廷,朱志亮.基于粗大误差检测和补偿的改进型EKF动态目标跟踪算法[J].计算机测量与控制.2019
[2].周明利,吴俭,柯涛,苏贝贝.近场小慢目标雷达检测前跟踪技术研究[J].舰船电子对抗.2019
[3].刘晓悦,王云明.基于HOG-SVM的改进跟踪-学习-检测算法的目标跟踪方法[J].科学技术与工程.2019
[4].陈卫东,陈磊,邓志巍,刘宏炜,董惠茹.基于混合相关滤波信息融合再检测的目标跟踪算法[J].计量学报.2019
[5].孟宁,史小斌,高青松,连豪,任哲毅.一种机动目标动态规划检测前跟踪算法[J].火控雷达技术.2019
[6].刘震.高斯和粒子滤波的弱小目标检测前跟踪算法[J].计算机与数字工程.2019
[7].包本刚.融合多特征的目标检测与跟踪方法[J].电子测量与仪器学报.2019
[8].白中浩,朱磊,李智强.基于多模型融合和重新检测的高精度鲁棒目标跟踪[J].仪器仪表学报.2019
[9].王逍.视觉注意力和鲁棒深度特征学习驱动的目标检测与跟踪研究[D].安徽大学.2019
[10].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