导读:本文包含了上下文加权论文开题报告文献综述及选题提纲参考文献，主要关键词:视觉跟踪,多特征,时空上下文学习,加权矩阵
上下文加权论文文献综述
尹明锋,朱建良,朱凯,薄煜明,赵高鹏[1]（2019）在《基于加权时空上下文学习的多特征视觉跟踪(英文)》一文中研究指出针对视觉跟踪过程中的光照变化、尺度变化、遮挡等干扰,提出了一种基于加权时空上下文学习的多特征目标跟踪算法,实现了快速鲁棒的目标跟踪。首先,提取灰度信息、LBP纹理特征和HSV颜色特征作为目标模型,增强目标模型的鲁棒性。其次,采用加权系数矩阵衡量特征的目标归属度,提升特征的分辨能力。然后,计算每个特征的加权时空下文跟踪置信图。最后,利用KL方法对每个通道置信图进行融合并进行目标定位。OTB数据库实验距离精度和重迭成功率分别为0.666和0.636,证明所提出的方法优于现有方法。(本文来源于《中国惯性技术学报》期刊2019年01期）
熊昌镇,卢颜,闫佳庆[2]（2019）在《融合上下文和重定位的加权相关滤波跟踪算法》一文中研究指出为提升融合梯度直方图特征和颜色属性特征的有效卷积操作跟踪算法(ECO-HC)的跟踪精度和速度,提出一种融合上下文和重定位的加权相关滤波跟踪方法。根据梯度直方图和颜色属性的不同特性加权融合相关滤波响应值,采用自适应迭代方法预测目标位置;融合多尺度搜索区域,目标上下文特征和目标预测失败时重定位方法进一步提高跟踪精度。在标准数据集OTB-100上进行算法评估,实验结果表明,所提算法的平均距离精度为89.2%,平均重迭率精度为80.6%,比ECO-HC算法分别高3.6%和2.1%。中央处理器的跟踪速度达65.2 frame/s,优于实验中对比的其他跟踪算法。所提算法有效地提高了跟踪精度,在严重遮挡、光照变化等干扰下,仍能较好地跟踪目标。(本文来源于《光学学报》期刊2019年04期）
万欣,张春辉,张琳,周凡[3]（2018）在《加权全局上下文感知相关滤波视觉跟踪算法》一文中研究指出基于上下文感知(Context-Aware,CA)框架的相关滤波算法是新近提出的一种视觉跟踪算法,其不足是在处理快速运动、运动模糊、遮挡、比例变化等情形时同等对待上下文信息,降低了视觉跟踪的鲁棒性。针对上述问题,提出了基于加权全局上下文感知(Weighted Global Context-Aware,WGCA)框架的相关滤波视觉跟踪算法。重构了原始的优化问题;根据上下文不同区域与追踪目标运动相似度的大小,赋予上下文区域不同的权值,计算出权值矩阵;给出了单通道和多通道情形的原始域、对偶域的闭式解。通过在基准测试集OTB-100上进行实验,结果表明该框架显着提高了相关滤波器的鲁棒性,其跟踪速度与CA框架相当,但跟踪精度和成功率较后者分别提高了7%和14%。(本文来源于《计算机工程与应用》期刊2018年16期）
徐建强,陆耀[4]（2015）在《一种基于加权时空上下文的鲁棒视觉跟踪算法》一文中研究指出由于光照及外观变化、复杂背景、目标旋转与遮挡等因素的影响,给实现鲁棒的视觉跟踪带来困难.有效利用上下文(Context)中包含的有用信息有助于提升上述条件下视觉跟踪的鲁棒性.时空上下文(Spatio-temporal context,STC)算法是新近提出的一种基于时空上下文的目标跟踪算法,它利用目标周围的稠密上下文信息,取得了良好的跟踪效果.STC的不足是其同等对待整个上下文区域,没有对上下文做进一步的区分,减弱了上下文的作用.本文采用动态分区处理思想,根据上下文中不同区域与跟踪目标运动相似度大小,赋予不同权值,提出了基于加权时空上下文(Weighted spatio-temporal context,WSTC)的鲁棒视觉跟踪算法.最后在公共数据集上进行的对比实验表明,本文所提出的算法具有更好的跟踪效果和鲁棒性.(本文来源于《自动化学报》期刊2015年11期）
朱道广,郭志刚,赵永威[5]（2013）在《基于空间上下文加权词汇树的图像检索方法》一文中研究指出基于词汇树的词袋模型(Bag-of-Words)表示算法是目前图像检索领域中的主流算法.针对传统词汇树方法中空间上下文信息缺失的问题,提出一种基于空间上下文加权词汇树的图像检索方法.该方法在词汇树框架下,首先生成SIFT点的空间上下文信息描述.然后利用SIFT点间的空间上下文相似度对SIFT间的匹配得分进行加权,得到图像间的相似度.最后,通过相似度排序完成图像检索.实验结果表明,该方法能够大幅度提高图像检索的性能,同时,对大规模图像库有较好的适用性.(本文来源于《模式识别与人工智能》期刊2013年11期）
宋琳,程咏梅,宋春华,刘夏雷[6]（2013）在《基于加权形状上下文的图匹配方法》一文中研究指出针对目前图像发生较大形变时特征点无法精确匹配的问题,提出整数约束下基于加权形状上下文的图匹配方法。利用图理论来描述图像特征间的结构信息,将图像特征匹配转化为图匹配问题。基于相似性度量矩阵构造思想,引入形状上下文特征,以图间所有可能的匹配点对作为分配图的顶点,利用图像点集内和点集间的加权形状上下文统计特征作为相似性度量函数构造图的边的权值,采用整数约束下的迭代求解算法求解图匹配问题。真实图像特征点集的匹配实验验证了本文算法的有效性。(本文来源于《激光与红外》期刊2013年07期）
白慧慧,丁晓明,张韬[7]（2004）在《一种基于上下文的树形加权概率统计算法》一文中研究指出介绍了一种基于上下文的树形加权概率统计算法,基本上解决了高阶马氏链的概率统计问题,提出了一种边统计边编码的自适应算术编码方案,并将其应用于高质量的语音二次压缩算法中。(本文来源于《电声技术》期刊2004年02期）
上下文加权论文开题报告
（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：
为提升融合梯度直方图特征和颜色属性特征的有效卷积操作跟踪算法(ECO-HC)的跟踪精度和速度,提出一种融合上下文和重定位的加权相关滤波跟踪方法。根据梯度直方图和颜色属性的不同特性加权融合相关滤波响应值,采用自适应迭代方法预测目标位置;融合多尺度搜索区域,目标上下文特征和目标预测失败时重定位方法进一步提高跟踪精度。在标准数据集OTB-100上进行算法评估,实验结果表明,所提算法的平均距离精度为89.2%,平均重迭率精度为80.6%,比ECO-HC算法分别高3.6%和2.1%。中央处理器的跟踪速度达65.2 frame/s,优于实验中对比的其他跟踪算法。所提算法有效地提高了跟踪精度,在严重遮挡、光照变化等干扰下,仍能较好地跟踪目标。
（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。
上下文加权论文参考文献
[1].尹明锋,朱建良,朱凯,薄煜明,赵高鹏.基于加权时空上下文学习的多特征视觉跟踪(英文)[J].中国惯性技术学报.2019
[2].熊昌镇,卢颜,闫佳庆.融合上下文和重定位的加权相关滤波跟踪算法[J].光学学报.2019
[3].万欣,张春辉,张琳,周凡.加权全局上下文感知相关滤波视觉跟踪算法[J].计算机工程与应用.2018
[4].徐建强,陆耀.一种基于加权时空上下文的鲁棒视觉跟踪算法[J].自动化学报.2015
[5].朱道广,郭志刚,赵永威.基于空间上下文加权词汇树的图像检索方法[J].模式识别与人工智能.2013
[6].宋琳,程咏梅,宋春华,刘夏雷.基于加权形状上下文的图匹配方法[J].激光与红外.2013
[7].白慧慧,丁晓明,张韬.一种基于上下文的树形加权概率统计算法[J].电声技术.2004