导读:本文包含了多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:高斯和粒子滤波,检测前跟踪,弱小目标
多目标检测跟踪论文文献综述
刘震[1]（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[2]（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）
王逍[3]（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[4]（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）
王冠群,张春华,尹力,李宇,张扬帆[5]（2019）在《联合多站阵元域数据的水下目标检测与跟踪》一文中研究指出为了提高复杂海洋环境中目标的检测、跟踪性能,提出一种联合多站阵元域数据的水下目标检测与跟踪方法.该方法采用序列马尔科夫链蒙特卡洛思想对目标进行采样更新,通过对接收概率中的后验概率以及采样函数进行分解展开,并根据多站阵元域数据计算采样粒子的联合似然,在迭代过程中实现目标数目和目标状态的联合估计.研究结果表明,该方法对单目标的平均定位误差在较高信噪比下能够稳定在50 m以内,对多目标随机出入场景中新生及消失目标实现有效检测,同时对强干扰下弱目标及交叉目标实现有效检测跟踪。仿真结果和海试数据均验证该方法具有良好的目标检测与跟踪性能。(本文来源于《声学学报》期刊2019年04期）
金盛龙,李宇,黄海宁[6]（2019）在《水下多目标方位的联合检测与跟踪》一文中研究指出针对水下多目标方位跟踪及航迹关联问题,提出了一种粒子滤波的联合检测与跟踪方法.该方法在状态滤波过程中不需要方位观测值的输入,直接根据波束能量评估粒子的似然函数;利用交叉和变异算子进化小权值样本,通过低差异性序列的重采样提高子代粒子多样性。实现了多目标的跟踪并避免了方位观测量与多目标航迹关联的问题。仿真结果表明,在航迹断续和航迹交叉的情况下,该方法能够连续准确地跟踪目标方位。利用水下无人平台舷侧线阵的试验数据对算法性能进行了验证,正横方向的跟踪误差在3°以内;在目标运动模型失配时仍可以收敛到正确的方位航迹,没有出现错跟与失跟现象,可提高对交叉、汇聚及分离的多目标方位航迹的连续检测与跟踪能力.(本文来源于《声学学报》期刊2019年04期）
常昕,陈晓冬,张佳琛,汪毅,蔡怀宇[7]（2019）在《基于激光雷达和相机信息融合的目标检测及跟踪》一文中研究指出环境感知系统是智能车辆的重要组成部分,它主要是指依赖于车载传感器对车辆周围环境进行探测。为了保证智能车辆环境感知系统的准确性和稳定性,有必要使用智能车辆车载传感器来检测和跟踪可通行区域的目标。本文提出一种基于激光雷达和摄像机信息融合的目标检测和跟踪算法,采用多传感器信息融合的方式对目标进行检测和跟踪。该算法利用激光雷达点云数据聚类方法检测可通行区域内的物体,并将其投射到图像上,以确定跟踪对象。在确定对象后,该算法利用颜色信息跟踪图像序列中的目标,由于基于图像的目标跟踪算法很容易受到光、阴影、背景干扰的影响,该算法利用激光雷达点云数据在跟踪过程中修正跟踪结果。本文采用KITTI数据集对算法进行验证和测试,结果显示,本文提出的目标检测和跟踪算法的跟踪目标平均区域重迭为83.10%,跟踪成功率为80.57%,与粒子滤波算法相比,平均区域重迭提高了29.47%,跟踪成功率提高了19.96%。(本文来源于《光电工程》期刊2019年07期）
胡超超,刘军,张凯,高雪婷[8]（2019）在《基于深度学习的行人和骑行者目标检测及跟踪算法研究》一文中研究指出以YOLOv2网络作为目标检测的基础模型,为提高模型检测群簇小目标的准确率,在YOLOv2中加入残差网络,构成YOLO-R网络,通过构建行人和骑行者样本库,以及修改anchor boxes尺寸等网络参数,训练出更适合检测行人和骑行者目标的网络模型,并通过匹配算法完成行人、骑行者分类,进一步运用Kalman滤波实现多目标跟踪。试验结果表明:在训练样本、网络参数相同的情况下,YOLO-R比YOLOv2网络的平均精度均值(mAP)提高了3.4%,在满足速度要求的前提下,YOLO-R网络检测效果更优。(本文来源于《汽车技术》期刊2019年07期）
吴孙勇,宁巧娇,蔡如华,孙希延,潘福标[9]（2019）在《基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法》一文中研究指出针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.(本文来源于《控制与决策》期刊2019年07期）
刘康[10]（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）
多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：
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。
（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。
多目标检测跟踪论文参考文献
[1].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
[2].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
[3].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
[4].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
[5].王冠群,张春华,尹力,李宇,张扬帆.联合多站阵元域数据的水下目标检测与跟踪[J].声学学报.2019
[6].金盛龙,李宇,黄海宁.水下多目标方位的联合检测与跟踪[J].声学学报.2019
[7].常昕,陈晓冬,张佳琛,汪毅,蔡怀宇.基于激光雷达和相机信息融合的目标检测及跟踪[J].光电工程.2019
[8].胡超超,刘军,张凯,高雪婷.基于深度学习的行人和骑行者目标检测及跟踪算法研究[J].汽车技术.2019
[9].吴孙勇,宁巧娇,蔡如华,孙希延,潘福标.基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法[J].控制与决策.2019
[10].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