导读:本文包含了静态目标检测论文开题报告文献综述及选题提纲参考文献，主要关键词:目标检测,静态图像,无人机,绝缘子
静态目标检测论文文献综述
严海[1]（2019）在《基于深度学习的静态图像目标检测研究》一文中研究指出作为目标检测的后置处理算法,非极大值抑制(Non-Maximum Suppression,NMS)算法被用于移除多余的检测框。然而,NMS算法在每轮迭代中抑制所有与预选取检测框Intersection-over-Union(IoU)值大于给定阈值的检测框,容易造成目标的漏检和误检。此外,阈值的选取对整个算法的效果有着至关重要的影响。针对这个问题,本文提出了改进的NMS算法,分别为分段比例惩罚因子NMS算法和连续比例惩罚因子NMS算法。在连续比例惩罚因子NMS算法中,阈值对算法的运行效果仅有轻微的影响。改进的NMS算法首先根据检测框与预选取检测框的IoU值大小计算出检测框对应的比例惩罚因子;然后将检测框置信度分数乘以比例惩罚因子,通过比例惩罚因子逐轮降低检测框的分数;最后经过多轮迭代后移除分数低于阈值的检测框。与传统的NMS算法相比,本文所提出改进的NMS算法可以有效地保留目标检测框和移除目标的假正例检测框,从而降低NMS算法的漏检率和误检率。在时间复杂度相同和运行效率一致的情况下,与传统的NMS算法相比,Faster RCNN基于本文所提出的改进NMS算法mAP值得到了显着的提升。此外,针对无人机巡线绝缘子图像存在背景复杂、绝缘子种类多样以及红外图像由于温度差异造成的图像中绝缘子特征鲁棒性较差等问题,本文提出了快速反卷积Single Shot Detector(FD-SSD)模型,使用该模型检测无人机巡线图像中的绝缘子目标。该模型首先采用深度卷积神经网络提取绝缘子图像不同尺度大小的特征图,然后将高层特征图通过反卷积的方式扩充后与低层特征图相融合提高低层特征图的语义信息,最后使用网络中不同尺度大小的特征图对图像中的绝缘子进行识别和定位从而达到检测的目的。FD-SSD模型不仅采用多尺度特征图对图像中的绝缘子进行检测,而且将高层特征图的语义信息通过反卷积的方式与低层特征图相融合,进而提高低层特征图的检测性能。实验表明,FD-SSD模型对可见光绝缘子图像和红外绝缘子图像均有较好的检测效果,检测的平均精度达到了88.1%,同时该模型在GTX 1080Ti显卡上的检测速度达到了39FPS,检测速度达到了实时检测的要求。(本文来源于《华北电力大学》期刊2019-03-01）
张哲,张根耀[2]（2018）在《基于深度学习的静态图像目标检测方法研究》一文中研究指出传统静态图像目标检测方法存在检查目标精准度不足的问题,为此提出基于深度学习的静态图像目标检测方法。使用卷积方式将静态图像特征进行归类,通过图像特征选取静态图像目标正负样本,对目标正负样本进行维度聚类处理,通过深度学习实现目标多尺度训练,完成静态图像目标检测。实验结果表明,提出的检测方法比传统方法检测精度高,说明具备极高的有效性。(本文来源于《2018年智慧教育与人工智能发展学术会议论文集（第二部分）》期刊2018-12-23）
高祥,胡文才,王露露,李洪燕[3]（2017）在《融合动态-静态图像特征的运动目标检测方法》一文中研究指出运动目标检测易受到多种静态、动态混迭噪声的影响。针对该问题,提出一种多级特征融合方法。采用运动显着性模型融合多种运动特征,检测运动目标的候选图像区域;以静态色彩特征建立目标区域和背景区域的混合高斯模型对候选区域进行二次检测,获得精确的运动目标图像区域。实验结果表明,该方法能够抑制复杂的混迭噪声,较为准确地检测出运动目标的真实区域。(本文来源于《计算机工程与设计》期刊2017年06期）
王飞[4]（2017）在《基于区域的卷积神经网络及其在静态目标检测方面的应用》一文中研究指出深度卷积神经网络在近年来大规模应用到计算机视觉的各个领域并大幅度提升了计算机视觉各分支的性能。目标检测性能在深度卷积神经网络出现之前受限于目标的特征表达能力较弱,实际使用效果较差。深度卷积神经网络由于其强大的特征提取能力而应用于目标检测领域。本研究致力于研究深度卷积神经网络及其在目标检测方面的应用。首先致力研究深度卷积神经网络结构、过拟合问题及梯度消失问题。详细描述残差学习解决深度卷积网络收敛速度过慢的原理。目标检测方面,本文着力研究Faster-RCNN目标检测算法,包括特征提取,候选框生成等一系列,目标检测与定位等算法。分析了 Faster-RCNN目标检测性能解决小尺度目标检测的缺陷。针对小尺度目标检测问题,本文提出Multi-Level RCNN 目标检测模型。图像有单个深度卷积神经网络处理,并聚合CNN的每个阶段的卷积特征图,通过max-pooling,bilinear interpolation和卷积等操作,将其压缩成统一的特征空间,即多尺度特征(Multi-Level feature)。多尺度特征用来候选框的提取与目标的识别与定位。多尺度特征融合了卷积网络多个尺度的特征,有效的提高了 目标检测性能。(本文来源于《北京邮电大学》期刊2017-03-02）
崔秀敏,朱向荣[5]（2016）在《机场场面监视下的静态飞机目标检测算法》一文中研究指出针对简单背景与复杂背景,单目标与多目标等多种情况下的飞机目标,采用大律法、改进的自适应区域生长法对目标进行分割。选取目标的几何特征作为表示飞机目标的特征向量,使用MATLAB软件对飞机目标进行检测,统计目标数量,实现对无遮挡飞机的有效检测。(本文来源于《科技资讯》期刊2016年32期）
鲍丙计,张超,吕钊,胡鹏程,吴小培[6]（2016）在《基于粒子滤波的静态目标检测算法研究》一文中研究指出由于粒子分布随机性的存在,传统粒子滤波算法无法准确获取静止目标的中心点和目标偏移信息,常因此导致误检.所提算法在现有粒子滤波框架内增加背景模型,利用中心点以及目标偏移信息检测到目标发生运动状态转换,再将被跟踪目标与背景模板进行匹配,根据其相关度判断目标的状态.多场景下的实验结果表明,该方法对视频场景中的静态目标有较高的检测精度和鲁棒性,同时实现了较低的误警率.(本文来源于《小型微型计算机系统》期刊2016年10期）
段启中[7]（2016）在《监控视频静态场景帧去除和运动目标检测研究》一文中研究指出在这20年中,视频监控经历了模拟视频监控阶段、数字视频监控阶段和智能网络视频监控阶段。数字监控视频的出现,为计算机量化分析监控视频数据提供了极大的便利。随着视频监控行业市场的稳健发展,以及对市场的良好预期,高清监控逐渐取代标清监控,高清监控已成不可逆转的趋势。但是,监控设备更换耗资巨大,监控视频导致的“海量”数据信息,以及理论研究和实际应用间的巨大差距,都成为监控视频行业进一步发展需要面临的问题。海量监控视频数据导致数据难于进行有效的管理和分析,监控视频中包含的信息量巨大,但是有用的信息很少。通常情况下,并不是所有的无用信息都能够被计算机执行并处理。但是,监控视频静态场景帧反复存储所造成的存储空间浪费是可以减少的。随着高分辨率监控时代的到来,目前常用运动目标算法的复杂度就需要降低。为此,本文针对监控视频静态场景帧去除和运动目标检测两个方面进行了研究。在监控视频静态场景帧去除方面:监控视频静态场景帧的去除,不仅能够降低监控视频的数据量,节约成本,还能够缩短回看监控视频时发现关注问题的必要时间。通过对帧间差分阈值分析,发现帧间差分法的时效性较高,能够对监控场景做到及时的检测。通过分析帧差检测像素的特点后,构建了一个检测点抑制方法,这样处理后能够减少近似静态帧的存储。通过对单异常信息帧分析,构建了一个单异常帧处理机制,能够进一步减少无异常信息片段。试验表明,本文提到的监控视频静态帧去除方法是可行的。在运动目标检测方面:结合着高斯法、码本法、帧间差分法和统计值法等几种方法的优点,提出了一种高效的双模板运动目标检测方法。通过讨论该方法模板的更新过程和双模版更新机制,说明了双模版运动目标检测的原理。试验表明,本文提出的双层模板运动目标检测方法,不仅能够对运动目标进行有效的检测,而且能够有效去除监控场景中运动物体由于停止运动时间过长被融入背景后突然再次运动所产生的“鬼影”。(本文来源于《长安大学》期刊2016-05-20）
陈菲[8]（2016）在《静态场景下运动目标的检测与跟踪算法研究》一文中研究指出目标的检测与跟踪是计算机视觉领域的重点部分,在很多方面如军事、视觉、视频、交通、医疗等都有重要的应用价值。目前,目标的检测与跟踪面临的主要问题是如何准确的找到目标并完成稳定的跟踪。本文在已有的研究成果基础上,对目标检测与跟踪的相关算法进行了改进,并对改进前后的算法进行了实验仿真。主要改进如下:(1)帧差法结合canny算子的目标检测算法。帧差法具有算法简易、不易受外界因素影响的优点,canny算子较其他算子可以更好的得到图像的轮廓信息。本文采用canny算子检测当前图像的轮廓,帧差法获得目标区域,取两者的共同区域作为目标在当前帧的位置。实验结果表明,改进的检测算法得到的目标区域较完整。(2)自适应跟踪窗口的meanshift算法。传统meanshift算法存在缺陷:跟踪过程中,若目标的大小和方向发生变化,它不能很好的跟踪。基于上述问题,提出了自适应窗口的meanshift算法。此方法采用帧差法结合canny算子检测运动目标,并使用主成分分析法计算目标方向,实时更新跟踪窗口。实验结果表明,改进后的meanshift算法与传统的meanshift算法相比,跟踪的稳定性得到了提升。(3)自适应跟踪窗口的meanshift融合kalman滤波的目标跟踪算法。自适应窗口的meanshift算法在跟踪过程中,当目标遭遇遮挡时,跟踪变得不稳定。为了解决这一问题,加入kalman滤波对目标预测的步骤,实现了自适应窗口的meanshift算法与kalman滤波的融合。实验结果显示,改进后的算法的抗遮挡性能提升,跟踪的稳定性也得到了提高。(本文来源于《曲阜师范大学》期刊2016-03-10）
崔雪梅[9]（2015）在《静态场景下运动目标检测和跟踪的关键技术研究》一文中研究指出运动目标检测与跟踪是计算机视觉研究领域中的重要前沿课题,其涉及模式识别、人工智能、视频图像处理等多个领域的先进科学技术,也被广泛地应用在智能交通、军事、视频监控等多个方面,因此对运动目标检测与跟踪的研究具有重要意义和实用价值。目前,弱小运动目标的检测算法和在光照变化、目标遮挡和姿态变化的情况下运动目标的跟踪算法是运动目标的检测与跟踪领域的未很好解决的关键技术问题。本文针对以上关键技术问题,对静态场景下运动目标的检测与跟踪的主要方法做了研究。对传统的一些算法做了改进,并且通过编程实现了这些算法。而且关于检测处理效果和运行时间,对有关算法进行了比较分析。在运动目标检测方面,提出了叁帧差分与基于混合高斯模型结合的运动目标检测新算法。首先介绍了一些常用的目标检测算法,如帧差法、光流法和背景差分法,同时又比较了叁种方法的适用范围和优缺点;然后对背景差分法中的常用的几种背景建模算法进行了阐述,如中值法、滑动平均法、W4方法和混合高斯建模法等;由于叁帧差分法不能完整的提取出运动目标,背景差分法对场景变化敏感,提出了叁帧差分与混合高斯模型结合的新算法,并根据结合方式的不同,给出了叁种不同的新算法;最后关于检测效果和处理时间,通过实验对帧差法、叁帧差法、基于滑动平均法建模的背景差分法、单高斯背景建模法、混合高斯背景建模法以及叁种新算法作了分析与总结。实验结果表明,提出的新算法或结合的处理效果优于其他算法,为后续的运动目标跟踪奠定了良好的基础。在运动目标跟踪方面,提出将新检测方法与TLD算法结合的运动目标跟踪方法。当前盛行的Tracking-Learning-Detection(TLD)目标跟踪算法由跟踪、检测和学习叁个模块构成。它能够实现单目标的长时间跟踪,但是当光照变化、目标遮挡和姿态变化的情况下,它的跟踪效果不佳。本文针对以上问题,提出将新检测方法与TLD算法结合的目标跟踪方法。该方法较好地解决了在目标严重遮挡和姿态变化的情况下的目标跟踪问题,提升了跟踪算法的鲁棒性和准确性。(本文来源于《青岛大学》期刊2015-06-03）
张守兵[10]（2015）在《静态背景下多目标检测与跟踪的设计与实现》一文中研究指出现阶段我国在水上船舶的监控技术发展的非常快,在内河上的交通是我国经济发展的一部分。但是,在实际的航行中会发生很多意外的情况,如船舶之间的相撞、船舶触礁和船桥碰撞,这些都对人类的人生安全和财产安全都造成了很大的影响。所以,对海上的目标检测与跟踪是非常有发展的必要,它不仅能够对减少事故有帮助,而且还能在事故发生后能够快速的解决。智能监控系统是我国现阶段研究的一个重要的项目。对于海事监控系统的研发是一个困难而且复杂的课题。近年来,有很大的学者和专家都对海上的目标检测与跟踪进行研究。本文通过比较了背景差分法、帧差法和光流法这些常用的检测算法,因为本次实验所使用的背景是静止的情况下进行的,因此最终选用了背景差分法中Codebook背景建模的方法,通过对每一个像素都建立一个码本,通过建立码本得到背景图像,然后通过前景图像与背景图像的差别能够很好的检测出运动的目标。当运动目标进入视频中就会给运动目标进行编号,并且提取运动目标的数据信息,把信息用文本文档存储起来。这样就能很好的检测出运动目标。本文使用camshift,它是meanshift的沿用。它是将每一帧的搜索窗的大小和中心作为后面一帧的初始值来对目标进行跟踪的。它能够有效的解决目标的变形和遮挡问题。在简单的背景下能够得到很好的跟踪效果。有一点复杂就要加入预测算法,本文加入了kalman滤波对运动目标进行轨迹预测,当目标重迭后发生分开时还能够有效的对原来的目标进行跟踪。kalman能够预测出下一帧图像运动目标的位置,发生遮挡时就会迭代到目标分离,跟踪框能够匀速运动,目标分离时还能够有效的跟踪。本文对OpenCV数字图像处理进行学习,为后面研究多目标的检测与跟踪的算法大打下了坚实的基础。本文基于OpenCV和VS2010对视频图像运动目标分析具有良好的实时性,能够正确的对多目标实时检测和跟踪,并具有良好的鲁棒性。(本文来源于《武汉理工大学》期刊2015-04-01）
静态目标检测论文开题报告
（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：
传统静态图像目标检测方法存在检查目标精准度不足的问题,为此提出基于深度学习的静态图像目标检测方法。使用卷积方式将静态图像特征进行归类,通过图像特征选取静态图像目标正负样本,对目标正负样本进行维度聚类处理,通过深度学习实现目标多尺度训练,完成静态图像目标检测。实验结果表明,提出的检测方法比传统方法检测精度高,说明具备极高的有效性。
（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。
静态目标检测论文参考文献
[1].严海.基于深度学习的静态图像目标检测研究[D].华北电力大学.2019
[2].张哲,张根耀.基于深度学习的静态图像目标检测方法研究[C].2018年智慧教育与人工智能发展学术会议论文集（第二部分）.2018
[3].高祥,胡文才,王露露,李洪燕.融合动态-静态图像特征的运动目标检测方法[J].计算机工程与设计.2017
[4].王飞.基于区域的卷积神经网络及其在静态目标检测方面的应用[D].北京邮电大学.2017
[5].崔秀敏,朱向荣.机场场面监视下的静态飞机目标检测算法[J].科技资讯.2016
[6].鲍丙计,张超,吕钊,胡鹏程,吴小培.基于粒子滤波的静态目标检测算法研究[J].小型微型计算机系统.2016
[7].段启中.监控视频静态场景帧去除和运动目标检测研究[D].长安大学.2016
[8].陈菲.静态场景下运动目标的检测与跟踪算法研究[D].曲阜师范大学.2016
[9].崔雪梅.静态场景下运动目标检测和跟踪的关键技术研究[D].青岛大学.2015
[10].张守兵.静态背景下多目标检测与跟踪的设计与实现[D].武汉理工大学.2015