导读:本文包含了梯度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:目标跟踪,干扰噪声,时域分析,梯度分量
梯度跟踪论文文献综述
韩晓微,岳高峰,谢英红[1]（2019）在《基于时域和梯度的运动目标识别跟踪算法》一文中研究指出针对视频存在噪声干扰及现有算法实时性较差的问题,提出了一种新型的基于时域和梯度的运动目标识别跟踪算法.考虑时间域上视频的形成,用帧差法将图片中的区域划分为变化区域和运动区域;依照2个区域的幅度变化对识别算法进行设计,为了消除背景干扰,对形成的运动区域进行均值滤波;在时域基础上增加了梯度分量,对运动区域形成梯度化轨迹,实现跟踪算法的完整设计.通过实验验证,本算法能够稳定地跟踪前景运动目标,与TLD和CamShift算法相比,在实时性上有明显提升,在耗时上分别缩减12.6%和22.7%.(本文来源于《沈阳大学学报(自然科学版)》期刊2019年05期）
骆焦煌[2]（2019）在《基于梯度特征和信道编码的多特征鲁棒红外跟踪》一文中研究指出针对单特征技术进行红外目标跟踪难以实现较高准确度的问题,在核化相关滤波器(kernelized correlation filter,KCF)的框架下,提出一种包含梯度特征和信道编码特征图的多特征红外目标跟踪方法。从给定位置中提取感兴趣区,推导出梯度特征和信道编码特征,各自对KCF框架进行训练。训练后的滤波器与感兴趣区相关联,并与输出响应结合在一起;为了对目标进行分割,支持向量回归(support vector regression,SVR)分类器对目标像素和背景像素的图像块进行训练;应用生成式技术,通过线性搜索方法来确定目标的最佳位置。在LTIR数据集中的6个红外图像序列的定量和定性分析结果表明,与快速压缩跟踪、防误导跟踪和归一化互相关匹配等红外跟踪方法相比,所提方法在平均中心定位误差和平均重迭精度上均取得了一定的性能提升。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年05期）
彭章友,夏海琴[3]（2019）在《无源雷达目标跟踪的线性回归-梯度下降算法》一文中研究指出针对以多颗GNSS卫星作为外辐射源的无源雷达目标跟踪问题,提出一种基于机器学习的无源雷达目标定位跟踪算法。该算法通过线性回归和梯度下降算法训练得到时延和多普勒频偏的模型,根据模型对低信噪比下互模糊函数估计出的多普勒频偏进行修正,之后构建了基于4颗卫星的时延和修正后的多普勒频偏的定位算法模型实现对目标的定位跟踪。仿真结果表明,该算法与直接利用互模糊函数估计的时延和多普勒定位跟踪目标的原始算法相比,位置估计精度提高了11.1倍,速度估计精度提高了3.6倍,能够更加有效快速的定位跟踪空中目标,同时,与粒子滤波的算法相比,该算法不需要长时间的累计,可以在更短的时间内对目标进行定位跟踪,效率更高。(本文来源于《电子测量技术》期刊2019年15期）
苏益沛[4]（2019）在《基于梯度中心跟踪算法的亚像素边缘检测方法研究》一文中研究指出随着工业4.0的发展、人工智能时代的到来,机器视觉的应用更加广泛和深入。基于机器视觉的工业检测是工业自动化中尤其重要的组成部分,先进的工业检测对视觉系统检测的准确性、稳定性、自适应性提出了更高的要求。通过提升硬件设备的性能来提升视觉系统的检测性能往往意味着成倍增长的成本投入,因此通过成本低、效率高的算法提升检测性能一直是工业界和学术界重要的研究内容。边缘检测是图像处理、机器视觉的关键内容,其作为一种底层方法,是目标检测、目标识别、目标跟踪和区域分割等高层应用的基础手段,边缘检测算法性能的提升往往能够有效促进图像处理和机器视觉中众多应用的发展。经典的边缘检测方法只能得到像素级精度的检测结果,难以满足精度要求;现有的亚像素边缘检测方法存在抑制噪声能力差、重复定位精度低、环境适应性弱等问题。亚像素边缘检测仍然是工业检测性能提升的限制之一。本文总结工业场景中目标轮廓边缘的分布特点,提出“历史边缘连续性”假设,即后续边缘点总是位于历史边缘点的延伸半平面上,基于该假设采用轮廓跟踪思想提出梯度中心跟踪算法进行像素级别的边缘检测,同时针对快速性需求,使用“强化的历史边缘连续性”假设,将延伸半平面强化到四分之一平面,利用结构化的方向算子实现像素级别的快速梯度中心跟踪算法。像素级别实验表明,本文提出的梯度中心跟踪算法能够有效减小工业场景中噪声和小杂斑对边缘信息的干扰,同时提升目标轮廓的完整性,可以作为其他亚像素边缘检测方法的预检测工具,有效降低这些算法在非边缘位置的冗余计算,提升噪声干扰下的稳定性。本文进一步提出边缘向量函数,将梯度中心跟踪算法推广到亚像素边缘级别,结合样条插值、高斯曲线拟合等方法获得亚像素精度边缘点位置,在实验中取得了比Canny/Devernay方法、Zernike矩方法、原始的Steger亚像素边缘检测方法更高的检测精度以及更小的重复检测误差。直线轮廓边缘检测均方根误差小于0.05个像素,圆轮廓检测边缘检测均方根误差达到0.1个像素;在随机噪声标准差不大于0.2时,拟合直线斜率的误差为0.0012,直线纵截距的误差为0.16。(本文来源于《哈尔滨工业大学》期刊2019-01-01）
张帅,刘秉琦,黄富瑜,余皓,陈一超[5]（2018）在《大视场红外空中小目标梯度熵权质心跟踪方法》一文中研究指出针对大视场红外凝视成像系统中非相似成像对目标形状、运动规律产生畸变影响而造成的跟踪困难,提出了一种基于梯度熵权的目标质心定位模型,并结合卡尔曼滤波实现了大视场中多目标跟踪.该模型利用灰度梯度来描述小目标的概率分布,并求取目标8个方向区域内的梯度熵权,来表示目标不同位置与质心的相关程度.提出了多方向最大梯度法来提取大视场中的天地分界线,确定深空背景区域,通过背景抑制提取航迹起始点.采用线性路径规划方法,解决了目标相遇时卡尔曼滤波模型之间的互相干扰问题.实验结果表明:所提方法在视场角为70°和180°的叁种背景下,可准确跟踪多个航模、飞机和导弹目标,与传统跟踪方法相比,跟踪中心定位误差低、准确率高,平均帧速提高了约1.5倍.(本文来源于《光子学报》期刊2018年11期）
李岚,张云,马少斌[6]（2018）在《改进的梯度与肤色融合均值移动粒子滤波人脸跟踪》一文中研究指出针对单一肤色特征的跟踪算法鲁棒性不高的问题,提出一种多特征融合的均值移动粒子滤波(MSPF)跟踪算法.该算法用肤色特征与梯度特征表示候选目标,通过粒子滤波与均值移动算法进行特征融合.实验结果表明,该算法能够较好地提高跟踪效率,并对光照、人脸遮挡和人脸旋转等有一定的适应性.(本文来源于《延边大学学报(自然科学版)》期刊2018年02期）
汪睿琪,石守东,李俊晖[7]（2018）在《基于梯度极值边缘跟踪与嵌入式系统的实时绞距检测算法》一文中研究指出针对双绞线生产流水线上双绞线图像采集时产生的模糊与外部光照条件不均等问题使得图像测距误差较大的问题,基于双绞线模糊图像的灰度变化特征提出了一种快速边缘识别与绞距测量算法。快速绞距测量算法首先寻找绞线图像边缘跟踪起点像素,然后跟踪梯度极值最大的点至图像最右侧得到双绞线边缘近似图像,同时根据得到的近似边缘点计算双绞线的绞距。实验证明,该方法能够在双绞线图像边缘识别的同时计算出绞距,受外部光照等条件的影响较小。并且在嵌入式IMX6Q平台上实现的绞距检测系统能实现流水线上绞距的实时检测。(本文来源于《激光杂志》期刊2018年05期）
姚剑奇[8]（2018）在《基于强跟踪UPF的重力梯度辅助定位方法》一文中研究指出针对重力梯度辅助定位中,存在重力梯度的强非线性分布及系统模型偏差等问题,将STUPF引入匹配定位过程。该方法根据残差信息实时调节系统状态跟踪能力,有效应对模型偏差对定位的影响。基于真实INS数据的仿真实验结果表明,STUPF可达到较好的定位效果,且与标准PF、GPF算法相比,其在定位的精度、稳定性及运算量上具有一定优势。(本文来源于《导航定位与授时》期刊2018年02期）
杨欣,夏斯军,刘冬雪,费树岷,胡银记[9]（2018）在《跟踪-学习-检测框架下改进加速梯度的目标跟踪》一文中研究指出单目标持久跟踪的主要难点是由于目标姿态、相似背景及遮挡等因素而导致的漂移问题。基于此提出了一种改进L1APG(L1tracker using accelerated proximal gradient approach)的目标-学习-检测(TLD)目标跟踪算法。首先,在L1APG跟踪器中加入遮挡检测判断;其次,将遮挡程度转换为目标模板和背景模板系数的权重;最后,用改进的L1APG跟踪器取代传统TLD框架中的跟踪器,自适应地根据遮挡程度改变模板系数,从而有效地提高了跟踪效果。实验表明:本文算法与传统TLD跟踪框架相比,能更好地处理遮挡和漂移问题,具有较好的稳定性和鲁棒性。(本文来源于《吉林大学学报(工学版)》期刊2018年02期）
马晓虹[10]（2018）在《目标跟踪中增强梯度阈值的更新方法》一文中研究指出针对核相关滤波(KCF)算法在每一帧都更新的策略使其不能有效处理目标快速运动及干扰的问题,提出了一种基于增强阈值更新的核相关目标跟踪方法。其在平均峰值相关能量(APCE)的基础上,采用将APCE阈值与APCE梯度阈值相结合的方法来判断跟踪结果的可靠性,以决定模型是否更新。其中将APCE阈值反向加强,APCE梯度阈值正向加强,当APCE和APCE梯度都高于各自阈值时更新,否则停止更新。通过定量及定性实验表明,相对于KCF算法对目标快速运动及干扰等问题的处理,该算法更加有效,提出的以梯度检测跟踪性能及阈值增强的思想对跟踪算法的设计有很好的参考价值。(本文来源于《激光与光电子学进展》期刊2018年06期）
梯度跟踪论文开题报告
（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：
针对单特征技术进行红外目标跟踪难以实现较高准确度的问题,在核化相关滤波器(kernelized correlation filter,KCF)的框架下,提出一种包含梯度特征和信道编码特征图的多特征红外目标跟踪方法。从给定位置中提取感兴趣区,推导出梯度特征和信道编码特征,各自对KCF框架进行训练。训练后的滤波器与感兴趣区相关联,并与输出响应结合在一起;为了对目标进行分割,支持向量回归(support vector regression,SVR)分类器对目标像素和背景像素的图像块进行训练;应用生成式技术,通过线性搜索方法来确定目标的最佳位置。在LTIR数据集中的6个红外图像序列的定量和定性分析结果表明,与快速压缩跟踪、防误导跟踪和归一化互相关匹配等红外跟踪方法相比,所提方法在平均中心定位误差和平均重迭精度上均取得了一定的性能提升。
（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。
梯度跟踪论文参考文献
[1].韩晓微,岳高峰,谢英红.基于时域和梯度的运动目标识别跟踪算法[J].沈阳大学学报(自然科学版).2019
[2].骆焦煌.基于梯度特征和信道编码的多特征鲁棒红外跟踪[J].重庆邮电大学学报(自然科学版).2019
[3].彭章友,夏海琴.无源雷达目标跟踪的线性回归-梯度下降算法[J].电子测量技术.2019
[4].苏益沛.基于梯度中心跟踪算法的亚像素边缘检测方法研究[D].哈尔滨工业大学.2019
[5].张帅,刘秉琦,黄富瑜,余皓,陈一超.大视场红外空中小目标梯度熵权质心跟踪方法[J].光子学报.2018
[6].李岚,张云,马少斌.改进的梯度与肤色融合均值移动粒子滤波人脸跟踪[J].延边大学学报(自然科学版).2018
[7].汪睿琪,石守东,李俊晖.基于梯度极值边缘跟踪与嵌入式系统的实时绞距检测算法[J].激光杂志.2018
[8].姚剑奇.基于强跟踪UPF的重力梯度辅助定位方法[J].导航定位与授时.2018
[9].杨欣,夏斯军,刘冬雪,费树岷,胡银记.跟踪-学习-检测框架下改进加速梯度的目标跟踪[J].吉林大学学报(工学版).2018
[10].马晓虹.目标跟踪中增强梯度阈值的更新方法[J].激光与光电子学进展.2018