导读:本文包含了人体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:目标检测,目标跟踪,结构化学习
人体检测跟踪论文文献综述
史国凯[1]（2019）在《在线时空关联的人体检测跟踪一体化方法》一文中研究指出视觉人体检测跟踪一体化技术在很多领域都有着重要的应用价值,其关键技术有:鲁棒的目标检测技术、稳定的路径关联技术。主流的路径关联技术只考虑了目标的时间相关性,没有同时兼顾目标的时空关联属性,当相似目标距离太近时,容易导致错位跟踪。本文提出基于深度神经网络学习和结构化在线学习算法联合的目标检测跟踪一体化方法,通过构建结构化在线学习模型,建立目标时空关联关系。实验验证了所提方法可以有效抵制相似目标的干扰问题,并可提升对严重遮挡目标的跟踪能力。(本文来源于《现代导航》期刊2019年04期）
侯海莹[2]（2019）在《融合方向预判和角点检测算法改进的TLD人体目标跟踪方法》一文中研究指出随着人工智能应用的推广,智能视频监控成为计算机领域的一个新的关注点,通过应用图像处理的相关方法分析监控器材拍摄到的视频,可以实现对目标的识别、定位、跟踪直至理解目标的特定行为,其核心是目标跟踪技术。本文以人体目标跟踪为研究重点,以TLD(tracking-learning-detection)人体目标跟踪算法为框架,深入研究和分析单目标的长时间跟踪算法。TLD算法只需要目标初始位置等较少的先验信息就可以实现对目标的长时间在线跟踪。基于TLD算法的目标跟踪系统由跟踪模块、检测模块、整合模块和学习模块四个部分组成。整合跟踪和检测模块的计算结果,判定当前帧中是否存在目标、目标当前状态以及确定是否就当前帧结果进行训练,如果需要,对跟踪和检测模块获得的新样本进行学习,更新跟踪和检测模块的系列参数,提高系统整体目标跟踪能力。TLD算法有效地解决了长时间跟踪过程中因目标形变和被遮挡等情形影响跟踪效果的问题,成为了人体目标跟踪的主要方法之一,但此方法存在计算量大导致系统运行速度低的问题。对此,本文以TLD框架为基础,从两个方面实现对目标跟踪算法的改进。针对TLD算法检测模块采用的贪婪检测方法进行改进,当跟踪模块正常运行时,以马尔科夫模型方向预测器预测目标运动方向的动态调整待检测区域的方法进行目标检测,缩减检测范围,从根本上减少检测所需的时间成本。针对TLD算法跟踪模块采用的均匀采样方法进行改进,以分块检测的SUSAN角点作为光流法的采样点进行目标跟踪,缩减跟踪模块采样点数量,提高运行效率。通过对TLD原作者提供的视频库、otcbvs红外图像库进行对比实验,结果表明,改进后的算法比原始算法跟踪准确率提升了16.58%,系统整体的运行速度提升了84.41%。(本文来源于《哈尔滨理工大学》期刊2019-03-01）
马皇特,贺永杰,王春梅,禹密柱,王江安[3]（2018）在《基于无人机视觉的人体检测跟踪技术研究》一文中研究指出由于运动人体的随意性、姿态的多样性、人体服饰的差异性,加之可能存在的遮挡等问题,使人体检测存在着一定的难度和挑战。针对固定摄像机监控系统对移动行人检测的局限性问题,对基于空中移动平台小型四旋翼无人机的目标人体检测和跟踪进行了研究。在人体检测方面,利用主成分分析法(PCA)降维后的方向梯度直方图(HOG)特征,由于人体的头肩部在行人运动过程中具有良好的不变性,结合头部和肩部的模板匹配算法,提高了人体检测的准确性。在人体跟踪方面,采用连续自适应的均值漂移算法(CamShift)进行跟踪,当人体被完全遮挡时,容易出现在跟踪过程中丢失目标的情况。利用连续自适应的均值漂移算法与粒子滤波算法相结合,提高了算法的跟踪效果。实验结果表明,人体检测和跟踪具有良好的效果,并且能够满足实时的要求。(本文来源于《计算机技术与发展》期刊2018年10期）
谭晶晶[4]（2018）在《基于视频图像的人体检测跟踪研究》一文中研究指出本文主要研究了基于视频图像的人体检测跟踪技术,该技术广泛应用于智能视频监控、人体动作分析、人机交互、基于内容的视频检索以及智能驾驶系统等领域中。虽然基于视频图像的人体检测跟踪技术已经历经了多年的快速发展,由于人体的外貌和姿态的多样性,摄像头的分辨率有限,应用场景的复杂性以及对视频图像处理的快速性的要求,以至到现在仍然很难找到一个快速、高精度、健壮的系统在任何场景下,都能够快速、准确地检测出人体目标并跟踪人体目标。本论文的主要工作内容如下:1、对于运动目标的检测,本文分析和研究了几类常用的运动目标检测算法,确定使用背景差分法作为本文的运动目标检测方法。分析了背景建模的有效性,着重研究了ViBe算法,针对ViBe算法背景模型更新的随机性,本文采取只更新背景模型中被判断为背景的像素点的措施;针对ViBe算法的鬼影和静止目标的判别问题,本文采用方差判别鬼影和静止目标;对于鬼影,采用下一帧图像相应像素点来替换鬼影背景模型样本集中像素值;对于静止目标,采取与处理目标区域的像素值的方法,当目标离开静止位置,由静止状态变为运动状态时,直接采用新一帧该区域所有像素点来替换背景模型样本集中像素值。2、对于人体目标的识别,本文分析了叁类常用的基于分类器的检测识别算法,确定采用基于HOG特征的SVM分类识别。针对OpenCV自带的分类器人体目标误检率高,漏检率高的问题,本文裁取正负样本训练了基于HOG特征的SVM分类器;针对非运动目标被识别成人体目标的误检的情况,本文采用基于HOG特征的SVM分类识别与改进ViBe算法相结合的方法来检测识别运动人体目标。3、运动目标跟踪方面,本文提出了SVM分类检测和混合粒子滤波融合的目标跟踪方法。该方法是基于运动人体目标检测识别实施的,重要密度函数融合了SVM分类检测,SVM能有效地检测目标进入场景和目标消失,离开场景。针对单独使用颜色特征或纹理特征的不足,为了实现了特征间信息的互补,本文的观测模型融合了颜色特征与纹理特征;为了有效地实现多目标跟踪,本文融合了混合粒子滤波的跟踪方法,单个的分量可以自主的实现采样过程,有利于改善标准粒子滤波重采样时造成的粒子多样性降低的问题;对于遮挡问题,本文采取的是目标的模型不更新,目标状态更新的方法。(本文来源于《哈尔滨工程大学》期刊2018-05-08）
王长亮[5]（2018）在《基于无人机视觉的特征融合人体检测跟踪技术研究》一文中研究指出无人机的发展得益于MEMS技术的发展使控制系统愈小型化,动力系统能力的提升,还有智能手机和社交网络的兴起等。可以说无人机是时代发展的产物,也从军事领域逐渐扩展到贴近人们的生活。四旋翼无人机以其操作比较简单、起降方便、飞行平稳等优点得到广泛关注,应用范围也在不断的拓展。在四旋翼飞行平台上实现人体目标检测跟踪,具有娱乐航拍,搜索救援,巡逻侦察等应用价值。人体目标检测跟踪技术一直以来都是计算机视觉研究领域的重要课题,涵盖了图像处理和机器学习等知识。而人体形态易发生变化、衣着存在差异,还有环境复杂、光照变化、出现遮挡等因素都是研究中的难题。再加上无人机飞行平台上空间、载荷、成本、机载计算资源等控制因素都成了研究中的挑战。针对以上问题本文提出了在无人机视觉下运用融合特征对人体目标进行检测跟踪的方法,具体研究工作如下:1.首先研究了一种主流的利用局部边缘信息的HOG特征进行人体检测的方法,然后对该算法进行了改进。运用了一种带有监督性的LDA线性判别算法对提取的HOG特征进行降维处理,又提出了一种改进的快速HOG特征提取方法。2.为了解决在复杂环境中单一的HOG特征在人体检测过程中表现不足的问题,引入了表征图像纹理的LBP特征。并改进检测流程,运用了两个训练分类器进行人体检测。3.研究了结合EKF算法的一种主流的Camshift跟踪算法,融合EKF算法后在预测区域进行Camshift算法迭代速度更快、搜索更加准确,还对跟踪目标在部分被遮挡的情况下有很好的跟踪效果。4.本文提出的检测跟踪算法可以实现对单人体目标自动检测跟踪,并且在出现跟踪丢失的情况时,当人体目标再次出现在视野中,可以利用人体检测重新获取目标区域,对目标进行继续跟踪。通过在不同场景中的数据集对改进后的算法进行实验,经过实验结果分析在满足实时性的要求下人体检测跟踪效果有较大提升。(本文来源于《长安大学》期刊2018-04-02）
范峻铭[6]（2018）在《智能视频监控中的多人体目标检测与跟踪》一文中研究指出智能监控是近年来安防领域着重推广宣传的具有巨大市场价值新一代监控平台,其主要功能就是采用人工智能技术对监控视频的内容进行自动分析,将其中的重点监控目标如行人、人脸、车辆等自动收集起来加以分析,进行识别比对,同时进行存储以备后续查询。而其中的一个重点就是多人体目标跟踪,也即行人多目标跟踪。行人多目标跟踪是计算机视觉领域的一个经典问题,在安防监控自动驾驶等领域具有广泛应用价值。本文将在视频监控场景下来探讨行人多目标跟踪这个问题,一方面提出一种基于深度学习的行人检测算法来改善广角视频监控下的检测效果,另一方面还主要提出了一种基于跟踪目标之间的结构约束来进行目标关联匹配的多目标跟踪算法。本文主要采用基于检测的跟踪框架来进行行人多目标跟踪,即先通过行人检测算法将视频每帧图像中的行人检测出来,再通过将检测结果与上一帧的跟踪结果进行匹配,从而实现行人多目标跟踪。本文提出的行人检测算法主要是通过基于深度学习的人头检测算法加场景标定实现,深度学习技术是机器学习领域近年来的一大热点,在计算机视觉领域独占鳌头,效果大大超过传统算法,故本文选择深度学习来实现行人检测;而多目标跟踪匹配则主要是通过多个跟踪目标之间的结构关系以及目标特征相似度来确定与检测结果的匹配关系。本文要探讨的视频监控场景,则主要是针对广角摄像监控场景,即行人在监控图像中所占的比例较小,特征相对来说更难区分,给行人检测和跟踪都带来了更多的障碍。而本文通过提出基于人头检测的行人检测算法,良好地解决了以往行人检测算法中行人有效像素太低带来的问题;同时由于本文提出的多目标跟踪算法主要通过上下帧的目标结构关系来进行匹配,所以对有效像素多少也不太敏感,故在广角监控场景下取得了良好的效果。实验表明,本文提出的针对智能监控场景的多人体目标跟踪算法具有良好的鲁棒性和跟踪效果。(本文来源于《电子科技大学》期刊2018-04-02）
李林泽[7]（2018）在《基于度量学习的人体检测与跟踪方法研究及系统实现》一文中研究指出目标检测与目标跟踪是计算机视觉领域的两大任务,在服务机器人、智能交通、智慧城市以及各种监控领域都有着广泛的应用前景。本文针对检测与跟踪算法在发展过程中所遇到的问题和不足,探究了如何解决和应对检测与跟踪领域存在的难点和挑战,实现了融合人体检测算法与跟踪算法的视觉感知系统。主要研究成果包括:1、改进了一种基于卷积回归网络的高速目标跟踪算法。设计和比较了不同结构的基础神经网络,通过运动模型分析和数据增广增强了模型的泛化能力。在OTB公开数据集上进行了测试以及与其他算法的对比,本算法表现出较高的准确性和实时性。2、提出了一种基于度量学习的人体跟踪算法。设计了一种多尺度特征重组(reorg)的方法,提高了对不同尺度人体跟踪的准确性;通过引入度量学习中的叁元组损失函数,解决了背景杂乱和相似物体干扰的跟踪难点。在OTB公开数据集上关于各跟踪难点进行了测试,实验结果验证了本算法的鲁棒性。3、开发了一个小型的可实时运行的人体检测跟踪系统。首先改进了 一种基于SSD的人体检测算法,通过kmeans聚类设计prior box提高了小物体的召回率;其次使用特征共用和序列化训练的方式将检测算法与跟踪算法进行了融合,并构建了整个人体检测跟踪系统的多任务逻辑框架;最后对系统进行了模型压缩与加速方面的工作。(本文来源于《浙江大学》期刊2018-01-11）
李宁[8]（2017）在《复杂动态环境下人体检测与跟踪算法的研究与实现》一文中研究指出视觉目标跟踪是机器视觉、图像处理和模式识别等领域重要的热点研究方向之一.在人体目标跟踪的实际应用中,由于动态环境的复杂性和多样性,使得跟踪算法的研究难度增加。近年来,国内外很多研究人员对跟踪算法的深入研究,提出很多优秀算法,但是仍然没有一种算法能够胜任任何场景下的人体跟踪。针对复杂动态环境下人体形变、光照变化和背景遮挡等因素对跟踪算法的影响进行研究和分析,提出改进的跟踪算法,并通过大量实验进行验证。研究内容和取得成果包括:1.针对动态环境下常用的人体前景检测算法的优点和存在的不足,对叁帧差分法和背景减法提出一种改进的自动阈值分割混合模型人体检测算法,设计出独立人体前景检测模块,能够在动态环境下完整提取人体轮廓。为提高复杂环境下人体检测的精准度,改进基于SSD(Single Shot MultiBox Detector)检测算法的网络模型,增加SSD检测结构中的比率边界框和训练数据,准确检测出人体前景,以便后续跟踪算法提取人体目标有效特征。2.在人体检测结果的基础上,针对背景中光照变化和人体形变等影响,研究利用Brisk算法对人体区域提取特征点,改进特征点检测聚类方法,针对初始特征描述匹配集合中出现错误匹配特征点提出二次聚类进行筛选匹配点集合,有效精确更新下一帧匹配库来完成在复杂场景中人体目标跟踪。3.针对动态环境下背景遮挡和人体快速移动导致目标无法在搜索范围内检测的问题,基于Camshift算法的研究,改进HSV和YCbCr双通道颜色空间模型,利用迭代法更新人体目标中心点进行不断修正,更新人体目标模型达到自适应检测效果。利用卡尔曼滤波和马尔科夫模型预测下一时刻目标的位置区域,以该位置为中心的搜索区域,有效减小检测器检测范围和干扰因素的影响,提高跟踪精度。针对复杂动态背景下对跟踪算法的研究和改进,并深入研究基于深度学习跟踪算法的适用复杂场景和跟踪性能。通过多组不同复杂场景视频测试验证,改进算法有效减小场景中人体形变、光照变化和背景遮挡的影响,实现对人体的准确和实时跟踪,使得跟踪算法更具有鲁棒性。(本文来源于《武汉工程大学》期刊2017-10-09）
任军,张惠芳[9]（2017）在《多传感器信息融合下人体运动姿态的目标检测与跟踪研究》一文中研究指出为了解决人体运动姿态的目标检测与跟踪问题,对选取人体运动姿态信息采集部位和创建人体躯干坐标系做了详细的概述,分析了人体运动姿态的目标检测与跟踪系统的架构与功能设计,以跌倒为例,对基于加速度和基于加速度与倾斜角相结合的两种方法进行了探析,结果表明后者不仅能够实时检测到人体在运动过程中的振动幅值,还能检测到躯干与地面的角度值,结合这两个结果,能够保证系统在人体运动姿态的目标检测与跟踪方面具有较高的精度和效率。(本文来源于《2017冶金企业管理创新论坛论文集》期刊2017-08-07）
王磊[10]（2017）在《视频人体运动的检测跟踪与识别》一文中研究指出人体动作识别是计算机视觉中一个重要研究内容,其涉及模式识别、概率论、统计学习、认知心理学等多个学科,应用领域包括智能监控、自动驾驶、人机交互和协作、智能家居等。从KTH动作数据库的公开到现在,动作识别的研究获得较大的发展。从识别固定视角的动作,到现在复杂场景中的动作识别。但人体动作具有多样性,同类动作的动作速度、持续时间等均存在较大差异。另外动作受环境和拍摄条件的影响,人体遮挡、视角变换等为动作识别带来较大的挑战性。现有动作识别算法的主要流程是从数据中学习动作特征,然后基于该特征设计分类器对动作视频进行区分。多数现有方法未对动作的结构信息进行显式建模,没有充分利用各动作要素的关联性。动作是时间和空间维度相互关联的整体,涉及人体运动、交互物体、动作发生的场景等情境因素,各因素之间的关联和时间维度的动态变化是判别动作类别的核心信息。本文提出对动作的结构和动作要素的关联进行建模,动作的要素主要包括人体位置、物体位置和人体姿态。在视频中利用人体检测器进行人体定位。视频的前景分割信息有利于人体检测,但前景分割常包含较多的噪声干扰,提出利用像素邻域内的统计信息评估该位置的前景概率。基于前景概率模型构建无阈值的人体检测器,该检测器直接决策人体检测结果,无需设置检测阈值,在模型训练中从数据中学习最优参数。检测算法经典的搜索机制是滑窗法,该机制穷尽式检测全部窗口,计算量较大。基于前景概率模型可有效生成待检测的窗口,在保证召回率的同时减少检测的候选窗。人体动作识别所涉及的物体可能有多种,无法确保全部物体均有足够的样本训练检测器,因此使用目标跟踪算法定位物体。文中提出利用目标局部关键点轨迹预测位置,在预测位置邻域内基于全局表观特征匹配进行目标的精确定位。针对较密集的人群,利用激光扫描测距仪辅助跟踪遮挡状态的多人体目标,跟踪框架是基于检测的多目标匹配。构建目标之间的匹配方程,通过方程求解实现多目标的跟踪,并使用卡尔曼滤波算法改进跟踪结果。人体姿态是动作识别的一个重要线索。多数图像人体姿态估计方法利用人体部件检测响应和人体骨架所确定的空间约束信息。但人体的部件变形导致检测器的泛化性较弱。视频中可额外使用各部件的跟踪信息改进姿态估计,提出一种时空关联模型,对空间的人体骨架约束和时间维度的表观一致性进行建模。提出的人体模型为时间和空间连接的树形结构,节点为人体部件,节点之间的连接边表示人体部件之间的骨架约束或者表观一致性约束。为求解模型的全局最优解,使用动态规划算法,在优化过程获取人体的各部件位置。人体动作可表示为时间连贯的子动作序列,每个子动作是持续时间较短的片段,其涉及的要素包括人体运动、物体位置、人与物体的交互等。提出层级结构对动作各要素进行组织和关联,形成结构化的动作信息,并定义结构化信息以及各结构元素之间的相似性度量函数。在模型学习中,结构化的动作信息和对应的动作类别标签被存储到记忆单元。在识别过程中,计算待识别的动作信息与记忆单元中存储信息的相似度,利用最近邻或者k近邻算法获取动作类别。为处理存储信息量过大的问题,利用记忆的动态退化和增强机制对数据进行更新。(本文来源于《上海交通大学》期刊2017-05-22）
人体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：
随着人工智能应用的推广,智能视频监控成为计算机领域的一个新的关注点,通过应用图像处理的相关方法分析监控器材拍摄到的视频,可以实现对目标的识别、定位、跟踪直至理解目标的特定行为,其核心是目标跟踪技术。本文以人体目标跟踪为研究重点,以TLD(tracking-learning-detection)人体目标跟踪算法为框架,深入研究和分析单目标的长时间跟踪算法。TLD算法只需要目标初始位置等较少的先验信息就可以实现对目标的长时间在线跟踪。基于TLD算法的目标跟踪系统由跟踪模块、检测模块、整合模块和学习模块四个部分组成。整合跟踪和检测模块的计算结果,判定当前帧中是否存在目标、目标当前状态以及确定是否就当前帧结果进行训练,如果需要,对跟踪和检测模块获得的新样本进行学习,更新跟踪和检测模块的系列参数,提高系统整体目标跟踪能力。TLD算法有效地解决了长时间跟踪过程中因目标形变和被遮挡等情形影响跟踪效果的问题,成为了人体目标跟踪的主要方法之一,但此方法存在计算量大导致系统运行速度低的问题。对此,本文以TLD框架为基础,从两个方面实现对目标跟踪算法的改进。针对TLD算法检测模块采用的贪婪检测方法进行改进,当跟踪模块正常运行时,以马尔科夫模型方向预测器预测目标运动方向的动态调整待检测区域的方法进行目标检测,缩减检测范围,从根本上减少检测所需的时间成本。针对TLD算法跟踪模块采用的均匀采样方法进行改进,以分块检测的SUSAN角点作为光流法的采样点进行目标跟踪,缩减跟踪模块采样点数量,提高运行效率。通过对TLD原作者提供的视频库、otcbvs红外图像库进行对比实验,结果表明,改进后的算法比原始算法跟踪准确率提升了16.58%,系统整体的运行速度提升了84.41%。
（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。
人体检测跟踪论文参考文献
[1].史国凯.在线时空关联的人体检测跟踪一体化方法[J].现代导航.2019
[2].侯海莹.融合方向预判和角点检测算法改进的TLD人体目标跟踪方法[D].哈尔滨理工大学.2019
[3].马皇特,贺永杰,王春梅,禹密柱,王江安.基于无人机视觉的人体检测跟踪技术研究[J].计算机技术与发展.2018
[4].谭晶晶.基于视频图像的人体检测跟踪研究[D].哈尔滨工程大学.2018
[5].王长亮.基于无人机视觉的特征融合人体检测跟踪技术研究[D].长安大学.2018
[6].范峻铭.智能视频监控中的多人体目标检测与跟踪[D].电子科技大学.2018
[7].李林泽.基于度量学习的人体检测与跟踪方法研究及系统实现[D].浙江大学.2018
[8].李宁.复杂动态环境下人体检测与跟踪算法的研究与实现[D].武汉工程大学.2017
[9].任军,张惠芳.多传感器信息融合下人体运动姿态的目标检测与跟踪研究[C].2017冶金企业管理创新论坛论文集.2017
[10].王磊.视频人体运动的检测跟踪与识别[D].上海交通大学.2017