导读:本文包含了摄像机运动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:视频,监控,运动目标,建模
摄像机运动检测论文文献综述
林勇,陈飞,符继征,刘建苹[1]（2019）在《智能监控中摄像机对运动目标检测方法的探究》一文中研究指出对智能视频监控中的运动目标,在不同场景中检测的几种方法及优缺点进行阐述、分析与对比。根据现实中监控场景变化如树枝扰动、光线变化、雪花和雨点等,对运动目标检测提出几种参考建模思想。(本文来源于《电脑编程技巧与维护》期刊2019年04期）
向麒文[2]（2018）在《运动摄像机下基于EMP的运动目标检测算法研究》一文中研究指出运动目标检测一直是计算机视觉领域和智能监控领域的研究热点,大部分实际场景中的摄像机是静止的,即所谓的静摄像机情景下的运动目标检测。然而,随着科技的日益发展,运动摄像机情景下的运动目标检测受到了更多研究学者的重视。特别是在机器视觉和无人驾驶领域的作用尤为明显。摄像机和目标都在运动时,前景和背景的分离成为了运动摄像机情景下运动目标检测的重难点之一。针对上述难点,本文分析了匹配中不同位置的特征点的稳定性,从中得出目标与背景交接区域的特征点容易出现错误匹配。本文根据这些错误匹配的特征点,提出了基于EMP(Error Match Point,即错误匹配点)的运动目标检测算法,并根据EMP得到运动目标区域,最后结合Grabcut算法,实现了在运动摄像机情景下的运动目标检测。本文的主要研究内容有以下几个方面:(1)分析了EMP产生的原理,给出了其定义,提出了EMP的提取方法及流程。(2)提出了在空间上结合SIFT算法和ORB算法对EMP的丰富和完善;另外,提出了在时间尺度上用五帧处理法对EMP的丰富和完善。(3)提出了在五帧处理法中引入RANSAC算法进行筛选,使得提取的EMP更加稳定;通过矢量匹配法,去除了背景上的EMP。(4)通过EMP确定的目标信息来指导Grabcut算法,从而实现了运动摄像机情景下的运动目标检测。根据在运动摄像机下连续帧之间匹配产生的错误匹配特征点,最终实现了运动目标的检测。根据不同的实验结果分析证明,本文算法在摄像机运动方式多样的情景下,都能较好的提取到EMP,且最终都能实现较好的检测结果。(本文来源于《西华大学》期刊2018-04-01）
谭猛[3]（2017）在《运动摄像机下基于FMP的运动目标检测算法研究》一文中研究指出运动目标检测一直是计算机视觉领域的研究热点,而随着时代进步,越来越多的学者关注在了运动摄像机下的运动目标检测,不再局限于摄像机是不是静止。针对运动摄像机下的运动目标检,本文从人类视觉出发,将焦点聚集在连续帧间的变化。为了实现运动摄像机下的运动目标检测本文提出了基于FMP(失败匹配点)的运动目标检测算法:以稳定的空间特征点的匹配作为基础,关注失败匹配的稳定点,从中提取因为目标的运动,使目标与背景交接区域发生改变,因而导致失败匹配的稳定点,然后,根据这些失败匹配的稳定点确定运动目标的运动区域,最后结合了局部区域图像分割的算法,实现了运动目标的检测。本文的关键部分为:(1)对不同的空间特征点提取算法进行分析和对比,选择了SIFT特征作为本文算法FMP的提取依据。(2)给出FMP的定义及其计算方法,分析产生原理并进行分类。(3)对FMP分布进行分析,提出叁帧处理法获取稳定的FMP。(4)结合FMP邻域内成功匹配点的匹配矢量,获取运动目标区域的FMP。(5)将运动目标区域及FMP与Grabcut(图像分割)算法结合,实现对运动目标的检测。(6)将运动目标区域的FMP与成功匹配点进行结合,对多运动目标检测进行了研究。实验证明本文算法在摄像机的不同运动方式下都可以提取到准确的FMP,结合局部分割算法实现了单个运动目标检测,同时对于多个运动目标,无论是否存在相互遮挡,都实现了运动目标的检测,并实现对不同运动目标的区分。(本文来源于《西华大学》期刊2017-04-01）
赵晨丘[4]（2017）在《聚合前景背景线索的非静态摄像机运动检测研究》一文中研究指出作为计算机视觉的第一步,运动检测是一个具有挑战性的问题。该问题在监控安防领域有广泛应用,且经常作为其他更高级别应用的输入。通常情况下,该问题都假设了摄像机处于静止的状态,但由于近年来大量的非静态摄像机的出现,摄像机必须保持静止这一假设前提极大的限制了运动检测的应用范围。因此,一个新的挑战“非静态摄像机中的运动检测”在计算机视觉领域中被提了出来。在由非静止的摄像机获取得到视频中,运动物体的运动与摄像机的运动混合在一起。此时任何出现在视频中的物体,其位置都可能因为摄像机的运动而改变。现有的方法大都致力于利用运动估计来抵消摄像机的运动,但同时也受限于运动估计的精度。由于自然场景的复杂性和摄像机运动的不确定性,目前很难对摄像机的运动进行完美的估计。针对这个问题,论文提出了前景背景线索聚合模型。该模型最主要的创新点是不关注提升运动估计的效果,而是通过聚合粗糙的前景背景线索来提升运动目标检测的性能。论文的主要工作包括:(1)论文阐述了非静态摄像机运动检的意义以及国内外的研究现状。通过对比现有方法的优缺点以及目前,阐述了非静态摄像机中运动检测面临的挑战。(2)论文提出了利用单应性转换提取背景的方法。详述了什么是单应性转换,以及为什么单应性转换可以在非静态的摄像机中提取背景,并且通过一系列的演示实验展示了单应性转换的背景提取效果。(3)论文提出了前景背景聚合运动目标检测模型,前景线索使用了扩展传统的背景建模方法,背景线索使用了SIFT特征对运动进行估计。论文所提模型使用超像素对前景线索和背景线索进行聚合来分割运动物体。由于前景背景之间的互斥性,前景线索和背景线索之间可以互补对方的缺点。因此该方法使用粗糙的前景背景线索就可以得到精准的运动检测结果。(4)论文在经典测试数据集上与现有主流方法进行对比实验,实验结果表明:论文提出的算法在复杂场景中取得了好的检测结果,优于现有算法。(本文来源于《重庆大学》期刊2017-04-01）
任劼,许铭,赵慧民[5]（2016）在《基于多边形顶点单应映射的多摄像机前景融合实时运动目标检测》一文中研究指出采用多摄像机多平面单应前景映射融合的方法可以减小目标遮挡所造成的影响并提高目标检测的准确性和可靠性。采用传统的前景图单应变换是一个图像级的运算,需要将前景图中的全部像素逐一投影到参考视角中。为了消除透视效应产生空洞区域,还需根据分辨率较高的参考视角反映射的方法确定前景投影图。由于计算量较大,处理无法应用到实时目标检测中。该文提出了一种前景轮廓多边形顶点映射的方法,首先对在单摄像机中检测出的前景进行多边形逼近,只对前景多边形的顶点进行单应映射,最后在参考视角中根据映射顶点进行前景重构,提高前景映射的运算速度以满足多摄像机前景融合实时目标检测。实验中,多边形顶点法与传统法、轮廓法、矩形框法进行了比较。实验表明,重构的前景映射图不仅可以有效地逼近图像级单应变换的前景映射图,而且在运动目标大小不同的情况下,多摄像机前景融合目标检测的运算速度可以分别提高约12和69倍。(本文来源于《中山大学学报(自然科学版)》期刊2016年04期）
徐鸿伟[6]（2016）在《分布式多摄像机协同的运动目标检测》一文中研究指出随着视频监控的普及,如何实现监控的智能化,已经成为一个热门话题。智能视频监控系统主要包括目标检测、目标识别、目标跟踪等。其中,目标检测是基础,其检测效果将直接影响后续其他功能的处理。本文对常用的帧差法、光流法、单高斯背景模型、混合高斯背景模型和核密度估计算法等目标检测算法进行了研究分析。对单高斯背景模型算法进行重点研究,针对该模型存在的背景模型不能自适应环境变化等的问题,提出了一种基于改进的单高斯背景模型运动目标检测算法。该方法结合单高斯背景模型、叁帧差法以及历史运动图像的思想对目标进行检测。首先,取前N帧的均值建立初始背景模型,结合叁帧差法得到背景区域。同时,对帧差法获得的背景区域进行分区,并将背景划分为大面积静止区域、历史变化区域及该变化区域的历史轨迹区域。赋予前两种区域固定更新率,而历史变化区域的历史轨迹区域按照时间分布,给予线性衰减的更新率,在此基础上对背景模型进行参数更新,再利用背景差分法得到运动目标。实验表明,改进后的目标检测算法不仅提高了背景模型的自适应性,而且检测效果也好。此外,本文提出了一种分布式多摄像机协同视频监控系统。该系统利用图像匹配、图像拼接等技术,将多摄像机的场景统一为一个全景,通过目标消失处理,目标交接等,完成多摄像机间的协同处理,在此基础上进行目标的检测与跟踪。最后结合实验,证明本文提出的改进算法是有效的。(本文来源于《南京理工大学》期刊2016-01-01）
穆春迪,谢剑斌,闫玮,刘通,李沛秦[7]（2015）在《面向动摄像机的高速运动目标检测》一文中研究指出目的为解决动摄像机中高速运动目标检测复杂度高的问题,提出一种基于压缩视频运动矢量的高速运动目标检测新方法。方法该方法首先分析监控视频的码流格式和解码特点;然后从视频流中直接提取运动矢量;接着进行运动矢量规范化,并根据3σ准则提取场景的全局运动参数;最后通过对运动矢量统计特征的分析,实现面向动摄像机的高速运动目标快速检测。结果仿真实验表明,该方法在经典和自建数据库上目标提取效率较现有算法均有较大提高。结论本文方法充分利用了压缩视频数据中蕴含的运动信息,极大降低运动目标检测的复杂度,可以有效提取动摄像机成像画面中的高速运动目标,在经典和自建数据库上的目标提取效率较现有算法均有较大提高。(本文来源于《中国图象图形学报》期刊2015年03期）
张滢[8]（2014）在《多摄像机运动目标检测与分析研究》一文中研究指出近年来随着智能视频监控技术的飞速发展,多摄像机协作的视频监控系统因为其监控范围广、观测角度宽和捕捉信息全等优点,被越来越多的应用在各种监控场所,引起研究学者的普遍关注。单摄像机视域内目标检测和匹配算法已日臻成熟,但是由于多摄像机视域内光照变化、色度差异以及位置信息的不同,这些算法很难成功的移植到多摄像机监控网络中去。多摄像机拓扑关系估计可以为目标在多摄像机视域内的活动分析提供必要的信息,所以对多摄像机视域时空关联性进行研究具有重要理论意义和应用价值。本文针对多摄像机智能监控网络中运动目标检测和活动分析的一些主要问题进行研究,论文的主要工作如下：在单摄像机视域内运动目标检测方面,针对典型混合高斯背景建模过程中存在的一些问题：背景模型初始化易受反复出现的前景目标影响,模型更新过程中存在不必要的更新以及前景检测会因为方差过度收敛而造成误检。本文分别提出了改进算法：在背景模型初始化过程中采用二次均值筛选方法去除掉与背景相差较大的前景干扰,而在模型更新阶段则建立延迟更新条件来确保替换进来的高斯分布是稳定的背景高斯分布,最后针对前景检测算法则引入了补偿阈值避免因为高斯分布方差过度收敛造成的误检。实验结果表明,本文提出的算法能够有效的解决典型混合高斯背景建模存在的问题,具有良好的鲁棒性,能够准确的检测出运动目标。在多摄像机网络拓扑关系估计和目标匹配方面,由于采用传统的基于跟踪的目标活动分析法,会因为跟踪轨迹混乱等问题导致运动目标活动分析的不准确。本文根据多摄像机视域内目标的空间距离和运动模式相似性将摄像机视域划分为若干语义区域,然后利用核典型相关分析(KCCA)对这些区域进行相关性分析,进而估计各语义区域、摄像机之间的时间和空间相关性。多摄像机间的目标匹配则利用这些时空相关信息来减少运算量和排除虚假目标,以提高匹配正确率。实验表明本文方法能够准确的划分语义区域并获得它们之间的相关性信息,进而正确建立多摄像机网络拓扑关系,有效提高了多摄像机间目标匹配的准确性。(本文来源于《合肥工业大学》期刊2014-03-01）
裴银祥,周兵[9]（2014）在《PTZ摄像机监控中的运动目标检测》一文中研究指出为实现摄像机运动下的安全监控,提出了一种不需要摄像机标定的运动目标检测算法。该算法分两个阶段进行,第一阶段使用图像跟踪技术估算每一帧的摄像机转动量,当转动量累加到阈值时,抓取当前帧作为背景并用累加转动量标记该帧,重复此过程获取所有背景帧序列并建立索引;第二阶段根据当前摄像机的转动量选取最接近的背景帧,利用快速图像配准算法配准当前帧和背景,采用背景差分检测出变化像素和运动对象。实验表明,该算法在普通PC上能够实现实时检测。(本文来源于《高技术通讯》期刊2014年02期）
杨力[10]（2014）在《基于多摄像机区域匹配和AdaBoost算法的运动人头检测》一文中研究指出AdaBoost算法在现有的人头检测技术中,具有检测率高、检测速度快的优点。它采用矩形特征作为弱分类器,利用积分图快速计算特征值,将强分类器按照级联结构组合,从而提高算法检测速度。但AdaBoost算法本身也有训练时间长、单个弱分类器性能不强、无法避免误检等缺点,本文针对这些不足,采用了几种改进方法。首先,针对传统算法使用单阈值作为弱分类器判断依据造成计算量大,不符合样本特征值分布的缺点,采用了使用双阈值判断弱分类器分类结果的方法。这样做,不仅可以大大减少构造弱分类器所需的时间,更可以提高单个弱分类器的分类性能,从而降低总的弱分类器数量。其次,采用了弱分类器内部结构特征算法。针对弱分类器一旦训练结束就不在改变的现象,给弱分类器一个调整向量和偏移向量,利用遗传算法计算最佳的内部结构调整参数,并进行调整验证。给弱分类器第二次机会提高自身的分类性能的机会,从而提升整个级联分类器的检测效果。再次,针对背景中出现大量误检子窗口的现象,采用了使用简单背景减法提取视频序列中的运动目标,再使用训练好的级联分类器对提取的运动区域进行检测,这样做,一来可以减少被检测区域,从而降低检测时间,二来可以去除背景对检测结果的干扰,降低误检率。最后,针对出现在人体身上的误检区域,采用多摄像机同时拍摄,选取一个作为基准,检测出“人头”区域,利用区域匹配计算出其在其它对应图像中的位置,再对这些位置进行判断,只有被再次检测为“人头’’的子窗口,才最终被认定为“人头”。经过上面各种改进的结合,对比传统AdaBoost算法,本文的算法对于人头检测具有很高的检测率和较低的误检率。(本文来源于《南京理工大学》期刊2014-02-01）
摄像机运动检测论文开题报告
（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：
运动目标检测一直是计算机视觉领域和智能监控领域的研究热点,大部分实际场景中的摄像机是静止的,即所谓的静摄像机情景下的运动目标检测。然而,随着科技的日益发展,运动摄像机情景下的运动目标检测受到了更多研究学者的重视。特别是在机器视觉和无人驾驶领域的作用尤为明显。摄像机和目标都在运动时,前景和背景的分离成为了运动摄像机情景下运动目标检测的重难点之一。针对上述难点,本文分析了匹配中不同位置的特征点的稳定性,从中得出目标与背景交接区域的特征点容易出现错误匹配。本文根据这些错误匹配的特征点,提出了基于EMP(Error Match Point,即错误匹配点)的运动目标检测算法,并根据EMP得到运动目标区域,最后结合Grabcut算法,实现了在运动摄像机情景下的运动目标检测。本文的主要研究内容有以下几个方面:(1)分析了EMP产生的原理,给出了其定义,提出了EMP的提取方法及流程。(2)提出了在空间上结合SIFT算法和ORB算法对EMP的丰富和完善;另外,提出了在时间尺度上用五帧处理法对EMP的丰富和完善。(3)提出了在五帧处理法中引入RANSAC算法进行筛选,使得提取的EMP更加稳定;通过矢量匹配法,去除了背景上的EMP。(4)通过EMP确定的目标信息来指导Grabcut算法,从而实现了运动摄像机情景下的运动目标检测。根据在运动摄像机下连续帧之间匹配产生的错误匹配特征点,最终实现了运动目标的检测。根据不同的实验结果分析证明,本文算法在摄像机运动方式多样的情景下,都能较好的提取到EMP,且最终都能实现较好的检测结果。
（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。
摄像机运动检测论文参考文献
[1].林勇,陈飞,符继征,刘建苹.智能监控中摄像机对运动目标检测方法的探究[J].电脑编程技巧与维护.2019
[2].向麒文.运动摄像机下基于EMP的运动目标检测算法研究[D].西华大学.2018
[3].谭猛.运动摄像机下基于FMP的运动目标检测算法研究[D].西华大学.2017
[4].赵晨丘.聚合前景背景线索的非静态摄像机运动检测研究[D].重庆大学.2017
[5].任劼,许铭,赵慧民.基于多边形顶点单应映射的多摄像机前景融合实时运动目标检测[J].中山大学学报(自然科学版).2016
[6].徐鸿伟.分布式多摄像机协同的运动目标检测[D].南京理工大学.2016
[7].穆春迪,谢剑斌,闫玮,刘通,李沛秦.面向动摄像机的高速运动目标检测[J].中国图象图形学报.2015
[8].张滢.多摄像机运动目标检测与分析研究[D].合肥工业大学.2014
[9].裴银祥,周兵.PTZ摄像机监控中的运动目标检测[J].高技术通讯.2014
[10].杨力.基于多摄像机区域匹配和AdaBoost算法的运动人头检测[D].南京理工大学.2014