导读:本文包含了自适应运动模型论文开题报告文献综述及选题提纲参考文献，主要关键词:图像序列分析,变分光流模型,分数阶微分掩模,运动目标检测
自适应运动模型论文文献综述
朱斌,田联房,杜启亮,余陆斌[1]（2019）在《基于自适应双分数阶光流模型的运动目标分割》一文中研究指出针对当前光流算法在光照不足的环境下不能进行弱纹理区域的运动目标分割问题,提出了一种自适应双分数阶光流(ADFOVOF)模型.该模型在双分数阶光流(DFOVOF)模型的基础上,通过图像信噪比计算DFOVOF模型中数据项的分数阶微分掩模的阶次及尺寸;应用以光流向量为特征的超像素调整DFOVOF模型中平滑项的分数阶微分掩模的形状.实验结果表明,在光照不足或者光照变化剧烈的场景下,文中算法能够精确估计光流场,获得清晰的运动目标轮廓.(本文来源于《华南理工大学学报(自然科学版)》期刊2019年02期）
何群,王煜文,杜硕,陈晓玲,谢平[2]（2018）在《基于自适应无参经验小波变换和选择集成分类模型的运动想象》一文中研究指出运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方法与其他4种组合方法进行比较.实验结果表明,本文方法具有较好分类准确率和实时性,其平均分类正确率高于其他4种方法,同时较近期使用相同数据的文献也有优势.本文为在线运动想象类BCI的应用提供了新的方法和思路.(本文来源于《物理学报》期刊2018年11期）
朱文杰,王广龙,田杰,乔中涛,高凤岐[3]（2018）在《空时自适应混合高斯模型复杂背景运动目标检测》一文中研究指出为克服传统基于单像素建模方法存在的缺陷,解决复杂背景下的运动目标检测问题,将视频图像序列的空间信息引入背景建模过程中,研究了邻域更新、二维联合直方图信息熵判别、空时平滑等方法.采用引导滤波方法对视频图像进行预处理,以消除图像噪声,并保留图像中目标的边缘信息,给出了算法处理流程和实现步骤.在不同的评测数据库及现实捕获的视频图像上进行了定性及定量实验,结果表明,本文提出的算法在目标检测准确度和完整性等指标上优于传统的同类型算法,为复杂背景环境下的运动目标检测提供了一种新的解决方法.(本文来源于《北京理工大学学报》期刊2018年02期）
侯敏,甄子洋,龚华军[4]（2018）在《基于自适应AR模型的甲板运动预估技术》一文中研究指出甲板运动对飞机安全着舰存在很大的影响,将甲板运动的未来信息引入飞机控制中可以降低这一影响,但是甲板运动的未来数据很难得到。为此,采用自适应AR模型对甲板运动进行预估。根据随时间不断增加的历史数据,设计了预估模型参数实时更新的自适应律,研究了一种基于自适应AR甲板运动实时预估算法。基于MATLAB,利用确定性甲板运动模型和随机模型分别作为甲板运动的数据源,验证了算法的可行性。仿真结果表明,基于自适应AR模型的预估算法对于甲板运动的预估误差很小,预估响应较快。(本文来源于《飞行力学》期刊2018年03期）
郑加敏[5]（2017）在《基于自适应混合高斯模型的运动目标检测与跟踪算法研究》一文中研究指出运动目标的检测与跟踪是智能视频监控相关研究领域的核心问题,且具有广泛地应用前景。然而在目标检测与跟踪过程中,光照的变化、物体的阴影、目标之间的遮挡等一系列外界的干扰严重影响了其效果。因此运动目标检测与跟踪算法的研究一直是智能视觉领域的一个热点研究方向。本论文分析了运动目标检测与跟踪算法的研究现状,并简要介绍了相关的基本理论和技术。在此基础上,针对目前相关研究和应用中出现的一些突出问题,对运动目标检测与跟踪算法进行了深入的研究。针对传统混合高斯模型对场景的适应能力差、无法检测到完整的运动目标、对光照突变场景较为敏感等问题,本文提出了一种基于自适应混合高斯背景模型的运动目标检测的改进算法。该算法首先改进现有的叁帧差分法,并利用其进行运动目标区域粗提取,运用动态分割阈值和边缘检测技术,有效地解决对光照突变敏感和目标边缘不连续等问题。其次,在混合高斯模型更新过程中自适应选择混合高斯模型的个数。最后,利用HSV颜色空间进行阴影去除,检测出完整的运动目标。实验结果表明,该算法在实时性,准确率,场景适应能力等方面比现有同类算法都有明显的提高。针对运动目标检测与跟踪算法存在跟踪准确度低,稳定性差的问题,本文提出了一种基于混合高斯背景模型和Kalman滤波的运动目标检测与跟踪方法。该方法首先在背景模型更新中,改变传统权重的学习率机制,使得背景模型能够持续有效。然后将检测得到运动目标的运动信息与质心位置信息作为Kalman滤波器的初始输入数据,使得Kalman滤波器能够开始对目标进行跟踪。最后,在Kalman滤波更新过程中,根据运动目标的状态变化情况确定Kalman滤波器观测噪声协方差矩阵。当运动目标被遮挡时,运用卡尔曼滤波的预测功能继续跟踪目标;当目标再次出现时,利用颜色特征对运动目标进行判定,确定为同一个目标时继续跟踪。理论分析和实验结果表明,该算法能检测并跟踪到运动目标,在准确率、稳定性等方面有较大的提升。(本文来源于《重庆邮电大学》期刊2017-06-08）
王红茹,童伟[6]（2016）在《基于自适应高斯模型的实效运动目标检测算法》一文中研究指出针对复杂环境下经典混合高斯背景建模算法实时性差以及帧间差分法检测精度低的问题,提出一种基于七帧差分和改进的自适应混合高斯模型相结合的运动目标检测算法。通过七帧差分获取当前帧运动目标的粗略区域;利用HSV颜色空间色度的不变性进行阴影抑制,提取出背景区域和可疑运动区域;对可疑运动区域使用混合高斯法区分出背景显露区域以及运动区域,对每个区域的高斯建模参数采用不同的更新策略,不对背景区域进行高斯匹配;引入光照突变参数,若发生光照突变,对高斯模型中的建模参数重新初始化。对比实验结果表明,该算法能有效抑制阴影和光照突变对检测精度的影响,具有良好的实时性。(本文来源于《计算机工程与设计》期刊2016年10期）
李辉飞[7]（2016）在《基于自适应混合模型的运动目标检测与跟踪算法研究》一文中研究指出随着计算机视觉、图像处理等领域技术的发展,智能视频监控技术也取得了长足的进步。让计算机无需人为干预自动地、准确地对视频进行分析处理,作为智能视频监控系统的核心,也日益成为相关领域内众多学者研究关注的重点。运动目标检测作为智能视频监控系统的基础支撑,其检测结果精确度对目标跟踪、目标分类、行为识别等操作有着非常重要地影响。本文首先对经典的运动目标检测算法进行分析研究,针对现有的LBSP(Local Binary Similarity Pattern)算法对所有像素都采用相同的固定阈值计算其LBSP值从而导致基于这种思路的背景建模方法适应性差的缺点,通过比较中心像素与其邻域像素差值的标准差,为每个像素建立一个自适应的阈值来计算其LBSP值,然后结合每个像素历史序列中的亮度信息,为每个像素建立一个融合了纹理信息与亮度信息的混合背景模型。进行运动目标检测时,根据当前像素与其对应的混合背景模型的比较结果对当前像素进行分类,并根据分类结果采用随机机制更新其背景模型。实验结果表明,本文方法不仅在正常外界环境下取得较好的检测结果,而且可以有效地减小动态背景、光照变化等复杂外界环境条件造成地干扰,得到较为精确的检测结果。在检测到运动目标之后,通过提取感兴趣目标的有效特征建立模板,在后续的每一帧中确定感兴趣目标(如果存在)的位置,实现对感兴趣目标的跟踪。本文在利用上述的自适应混合模型检测运动目标的基础上,提取目标的Shape Context信息来表征目标的形状轮廓信息,并建立目标模板。然后在后续帧中,提取检测到的所有前景物体的Shape Context信息建立候选模板,将候选模板与目标模板进行匹配,筛选出相似度最高的候选模板定位目标在当前帧中的位置,并更新目标模板,实现对感兴趣目标的跟踪。实验结果证明,本文检测方法的结果能较好地保留目标的真实形状信息,提出的跟踪方法针对非刚性目标和刚性目标都有较好的跟踪效果。(本文来源于《重庆邮电大学》期刊2016-04-02）
陈雷[8]（2016）在《基于自适应背景模型的运动目标检测》一文中研究指出运动目标检测是计算机视觉研究中非常重要的一部分,它的目的是将用户感兴趣的运动目标准确、完整地从视频序列中提取出来。运动目标检测一直以来广受计算机视觉研究领域的关注,主要有两方面的原因。一是作为视觉研究的中层部分,运动目标检测为目标跟踪、目标分类和行为理解等更高层次的处理提供了基础,被广泛的应用于智能视频监控等领域。二是运动目标检测是计算机视觉里非常具有挑战性的一个任务。现实环境中,复杂的背景、动态噪声或者非用户感兴趣的“无效运动”、雨雪天气等给运动目标检测带来了极大的干扰。如何排除这些干扰,实现运动目标的鲁棒、快速的检测,一直是研究者们致力解决的问题。尽管经过几十年的研究,大量的运动目标检测算法被提出,但是如何准确描述场景并能快速适应场景的动态变化至今仍是尚未解决的难题。为此,本文研究了一种背景模型自适应学习的方法,该方法通过自动分析和学习场景的复杂性来不断优化背景模型,在此基础上实现了视频中运动目标的提取,并利用基于超像素的融合方法来优化目标区域。本文的主要工作如下：(1)研究了连续图像序列中动态噪声的变化特性,提出了场景动态属性的度量方法。该方法利用连续视频帧间的时空关系有效地提取出了背景动态噪声区域,并将其量化为动态噪声的度量,这使本文的方法能够有效的区分前景运动目标和背景动态噪声,为后续进一步实现背景模型的自适应变化提供重要的依据。(2)提出了一种能够自适应环境变化的运动目标检测方法。从像素级背景建模出发,通过度量场景的复杂程度并结合(1)中的动态属性分析,实现了一种背景模型自适应各种复杂的环境变化的方法。该方法有两个优点：一是能够动态调节关键模型参数而不需要人为干预,这不同于传统方法将模型的重要参数设置为常数或通过人工调节。二是基于像素级的算法设计简单高效,使得我们的方法能够实时检测视频里的运动目标。在公共数据集CDnet2014上的实验表明,该方法对不同类的视频具有很好的鲁棒性,平均检测准确性(F-Measure)接近目前最优秀的算法,并且达到23帧／秒的处理速度。(3)提出了一种基于超像素融合技术的运动目标区域优化方法,利用同一目标的相邻超像素具有相似性的先验知识,对我们在(2)中得到的目标区域进行优化,从而使运动目标区域更加完整。实验表明,经过该方法的优化,对部分类别视频的运动目标检测性能得到了显着提升。在实时性要求不高的任务中,该方法提供了一种获取更精确的目标区域的途径。(本文来源于《北京交通大学》期刊2016-02-22）
李江平[9]（2016）在《模型及负载不确定情形下机械臂自适应运动控制》一文中研究指出在当今的工业生产和日常生活中,机器人扮演着日益重要的角色。随着机器人的应用场景的日益广泛,作为机器人执行机构重要组成部分的机械臂,其动力学模型具有高度非线性化、强耦合和时变的特点,这使得机械臂在工作过程中存在着许多的不确定性。为了使机械臂在面对不确定性时具有更好的智能性,本课题研究了机械臂在自身模型具有不确定性和外力负载具有不确定性的情形下,分别通过基于FAT(函数逼近技术)技术对模型不确定性的矩阵进行估计的方法和“一步猜测”思想对未知的负载进行估计的方法,并在此基础上设计出阻抗自适应控制器和离散时间自适应控制器,使得机械臂在不确定性情形下的智能性得到提高。本文主要工作概括如下:(1)针对机械臂模型中存在的不确定性,通过FAT技术估计模型中的不确定项,在此基础上设计出机械臂的阻抗自适应控制器,并对系统的稳定性进行证明。通过将该控制器应用于基于iCub机器人的双臂跟随控制实验中,验证了该算法的实际可行性。(2)针对机械臂的外力负载中存在的不确定性情形,根据“一步猜测”思想对当前时刻的外力负载进行估计,然后设计出离散时间自适应控制器。为验证算法的理论可行性,分别将其应用于两自由度和六自由度机械臂PUMA560仿真实验中,通过实验表明该算法对未知的负载估计效果和关节角轨迹跟踪效果良好。本论文的研究对于机械臂的智能性研究具有一定的探索意义,对于未来机械臂的智能性发展有所裨益。(本文来源于《北京理工大学》期刊2016-01-01）
吴耀,王田苗,王晓刚,刘淼[10]（2015）在《基于自适应卡尔曼滤波的侧滑移动机器人运动模型估计》一文中研究指出精确实时在线的运动模型对于侧滑移动机器人的运动控制和轨迹规划至关重要,相比于离线模型估计,该文在基于速度瞬心(ICRs)的侧滑移动机器人运动学模型基础上,采用扩展卡尔曼滤波(EKF),在同一特定地形下在线准确得到ICRs的参数值;并针对不同的地形情况,采用k-近邻法对地形进行分类,实时判别机器人当前运行的路面,采用自适应的卡尔曼滤波器(AKF)调整滤波器参数。仿真和实验对比表明,该方法在同一地形和变化地形下均能快速估计出侧滑移动机器人的运动学模型,收敛时间均为3 s以内,可以满足实际使用的需要。(本文来源于《电子与信息学报》期刊2015年12期）
自适应运动模型论文开题报告
（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：
运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方法与其他4种组合方法进行比较.实验结果表明,本文方法具有较好分类准确率和实时性,其平均分类正确率高于其他4种方法,同时较近期使用相同数据的文献也有优势.本文为在线运动想象类BCI的应用提供了新的方法和思路.
（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。
自适应运动模型论文参考文献
[1].朱斌,田联房,杜启亮,余陆斌.基于自适应双分数阶光流模型的运动目标分割[J].华南理工大学学报(自然科学版).2019
[2].何群,王煜文,杜硕,陈晓玲,谢平.基于自适应无参经验小波变换和选择集成分类模型的运动想象[J].物理学报.2018
[3].朱文杰,王广龙,田杰,乔中涛,高凤岐.空时自适应混合高斯模型复杂背景运动目标检测[J].北京理工大学学报.2018
[4].侯敏,甄子洋,龚华军.基于自适应AR模型的甲板运动预估技术[J].飞行力学.2018
[5].郑加敏.基于自适应混合高斯模型的运动目标检测与跟踪算法研究[D].重庆邮电大学.2017
[6].王红茹,童伟.基于自适应高斯模型的实效运动目标检测算法[J].计算机工程与设计.2016
[7].李辉飞.基于自适应混合模型的运动目标检测与跟踪算法研究[D].重庆邮电大学.2016
[8].陈雷.基于自适应背景模型的运动目标检测[D].北京交通大学.2016
[9].李江平.模型及负载不确定情形下机械臂自适应运动控制[D].北京理工大学.2016
[10].吴耀,王田苗,王晓刚,刘淼.基于自适应卡尔曼滤波的侧滑移动机器人运动模型估计[J].电子与信息学报.2015