导读:本文包含了基于的运动目标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:运动目标检测,高斯混合模型,均值
基于的运动目标检测论文文献综述
吕苗苗,孙建明[1]（2019）在《基于改进高斯混合模型的运动图像目标检测算法》一文中研究指出运动图像目标检测指的是从序列图像中将变化的目标从背景中分离出来,高斯混合模型可以对视频序列图像的前景和背景进行分类,再利用背景减除实现运动目标的检测。提出一种基于改进高斯混合模型的优化背景建模方法,该方法首先利用3×3模板对序列图像帧中的像素进行类似卷积的均值计算,然后利用相邻均值的差提取均差因子自适应更新图像的均值。在此基础上,设计了自适应学习率和学习速率,利用改进高斯混合模型实现序列图像的背景建模。改进模型不仅能有效减少数据计算量,同时可以降低在相似区域像素计算的时长,大大加快背景建模速度。实验结果表明,改进模型在目标检测、算法执行速率等性能指标上都有更好的表现,能满足实时检测要求。(本文来源于《半导体光电》期刊2019年06期）
罗敏,刘洞波,文浩轩,陈鑫海,宋丹[2]（2019）在《基于背景差分法和帧间差分法的车辆运动目标检测》一文中研究指出针对背景差分法和帧间差分法在检测车辆运动目标时存在阴影的问题,提出一种结合背景差分法和帧间差分法去除阴影的车辆运动目标检测算法.首先采用均值法从图像序列建模获取背景,通过背景差分法对当前帧进行差分得到背景差分图,二值化得到二值图.然后利用改进Robert算子对二值图与背景差分图进行边缘检测.最后通过对两张边缘图像进行帧间差分,得到去除阴影的车辆运动目标.(本文来源于《湖南工程学院学报(自然科学版)》期刊2019年04期）
孙怡峰,吴疆,黄严严,汤光明[3]（2019）在《一种视频监控中基于航迹的运动小目标检测算法》一文中研究指出针对视频监控中运动小目标难以检测的问题,该文提出一种基于航迹的检测算法。首先,为了降低检测漏警率,提出区域纹理特征与差值概率融合的自适应前景提取方法;其次,为了降低检测虚警率,设计航迹关联的概率计算模型以建立疑似目标在视频帧间的关联,并设置双门限以区分疑似目标中的真实目标与虚假目标。实验结果表明,与多种经典算法相比,该算法能对定量范围内的运动小目标以更低的漏警率和虚警率实施准确检测。(本文来源于《电子与信息学报》期刊2019年11期）
卢裕秋,孙金玉,马世伟[4]（2019）在《基于深度卷积神经网络的运动目标检测方法》一文中研究指出针对运动目标检测中的间歇性运动问题,设计了一个深度卷积神经网络MONet。在缺乏训练数据集的情况下,利用仿射变换生成一个合成数据集Go Chairs,并在此基础上进行网络的训练和测试。结果表明,训练后的MONet能够有效地根据像素点之间的对应关系检测出运动的目标。传统的运动目标检测数据集CDnet和I2R被用于测试以验证该网络的泛化性能。针对目标的间歇性运动问题,MONet与经典方法进行了定性和定量的比较。实验结果证明了该网络在检测间歇性运动的目标时的优越性。(本文来源于《系统仿真学报》期刊2019年11期）
陈宁,陈本均[5]（2019）在《基于差分法和轮廓填充的运动目标检测方法》一文中研究指出针对当前计算机视觉领域的运动目标检测存在残缺不全的问题,提出一种基于差分法和轮廓填充的检测新方法。利用帧间差分法提取运动视频前景,绘制帧差结果的最小外接圆,并对其进行填充得到帧差目标;同时利用背景消除法对相同的运动视频进行前景提取,并填充其结果轮廓,得到背景差目标;对帧差目标和背景差目标进行与运算即可得到真正的运动目标。试验采用行人和烟雾视频作为测试样本,结果表明该方法计算简便,准确率分别达94.42%和93.88%,可实现对运动目标的有效提取。(本文来源于《浙江科技学院学报》期刊2019年05期）
陈海东[6]（2019）在《基于激光传感器融合的运动目标检测》一文中研究指出采用单激光传感器检测运动目标时,缺乏对运动目标传输图像的去噪过程,仅能实现运动目标的粗略检测,检测精度大大降低,提出一种激光传感器融合的运动目标检测方法,采用激光位移传感器采集激光点与运动目标像素坐标,实现运动目标的粗略定位后,通过二次帧差自适应阈值快速分割法将目标受运动影响的背景去掉,对运动目标进行彻底的背景消除与更新;背景消除后的运动目标采用激光自动瞄准过程进行精准定位后,将多个激光传感器定位结果通过滤波融合器相融合,实现激光传感器融合的运动目标检测。实验结果表明,该方法处理后运动目标图像的信噪比平均值高于原始图像信噪,检测时间短,检测运动目标最终坐标结果偏差平小,都低于单传感器检测方法,说明该方法具有较高的抗噪性能,检测运动目标效率和精度高,检测效果理想。(本文来源于《激光杂志》期刊2019年10期）
丁业兵[7]（2019）在《运动目标检测算法综述》一文中研究指出运动目标检测是将感兴趣的动态目标从图像背景中分割出来,主要应用于图像分析和目标跟踪中。该文主要介绍了几种常用经典运动目标检测算法,即基本差分法、高斯模型法和Ada boost检测算法原理,并给出了相应实验结果,最后总结了算法的应用场景和优劣性。(本文来源于《科技资讯》期刊2019年30期）
陆华才,贺华展,黄宜庆,高文根[8]（2019）在《改进Canny边缘算子和高斯混合模型的运动目标检测》一文中研究指出在对视频中运动目标的检测,高斯混合模型能够达到较好的效果,但是容易受到光照突变和环境噪声的影响,并且运动目标完整的轮廓难以提取,在对Canny边缘检测算法进行改进,用中值滤波器和双边滤波器构成的混合滤波器代替边缘检测算法中固有滤波器,并且使用Otsu算法取代人工设置双阈值,避免丢失真实边缘,保证边缘信息的完整性,并且用隔帧处理的四帧差分法的到差分图像,获得运动目标区域,再利用高斯混合模型提取前景图像,结合两种算法的前景图像能够获得较完整的运动目标轮廓。根据实验结果分析,和传统的高斯混合模型相比,该算法能够避免一定的光照突变的影响,解决了目标图像出现空洞及漏检造成边缘信息丢失的问题,具有更强的鲁棒性。(本文来源于《电子测量与仪器学报》期刊2019年10期）
刘晓,崔光照,李正周,熊伟奇[9]（2019）在《基于视觉系统分层的小目标运动检测》一文中研究指出为了提升对光学遥感图像中弱小运动目标的检测能力,提出一种基于鹰眼视网膜视觉系统层次结构的运动检测方法。首先,基于鹰眼视网膜的分层特性,结合各层主体细胞的生理结构与功能,构建各层相应的滤波器,抑制背景微位移和杂散噪声;然后,在Reichardt运动检测模型的基础上增加时域高通滤波与ON-OFF双通道滤波来估计目标运动矢量,这样不仅能克服传统Reichardt运动检测器对阶跃边界响应复杂,而且能有效增强运动检测的敏感性;最后利用高级视觉神经系统的分层特点,以空域相似度大小为基准进行多尺度映射与运动矢量显着图融合,构建多尺度处理精细检测运动特征。试验结果表明,本文算法的平均信杂比改善为56.20dB,正确率为99.71%,综合评价指标F1值为3.63e-02,相较于传统Reichardt模型的F1值提升了27.82%。本文方法较传统运动检测算法不仅能提高复杂背景的干扰抑制性能,而且能显着提升小目标小位移的检测能力。(本文来源于《光学精密工程》期刊2019年10期）
梁栋,何佳,石陆魁,王松,刘佳[10]（2019）在《结合运动目标检测和ResNet的车速车型智能识别》一文中研究指出车速和车型作为重要的车辆信息,在道路监控系统中发挥着很大的作用.传统的基于视觉的车辆信息识别方式由于计算参数过大且提取的特征不足,难以满足智能交通实时性和普适性的需求.对此,提出了一种新的车辆信息识别方法,采用运动目标检测技术实现视频中车辆的提取,然后利用虚拟线圈法进行车速识别,再通过改进的残差网络对提取的车辆进行车型识别,有效地减少了计算参数,实现了对视频的快速处理,同时利用了残差网络极强的特征表达能力,提高了识别的准确率.此外,加入了重载车型的研究,有良好的应用前景.实验结果显示,系统车速识别平均绝对误差不超过6km/h,车型识别平均准确率达到92.1%,针对小客车和小轿车的识别准确率高达98.7%,优于传统的识别方法.(本文来源于《北京交通大学学报》期刊2019年05期）
基于的运动目标检测论文开题报告
（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：
针对背景差分法和帧间差分法在检测车辆运动目标时存在阴影的问题,提出一种结合背景差分法和帧间差分法去除阴影的车辆运动目标检测算法.首先采用均值法从图像序列建模获取背景,通过背景差分法对当前帧进行差分得到背景差分图,二值化得到二值图.然后利用改进Robert算子对二值图与背景差分图进行边缘检测.最后通过对两张边缘图像进行帧间差分,得到去除阴影的车辆运动目标.
（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。
基于的运动目标检测论文参考文献
[1].吕苗苗,孙建明.基于改进高斯混合模型的运动图像目标检测算法[J].半导体光电.2019
[2].罗敏,刘洞波,文浩轩,陈鑫海,宋丹.基于背景差分法和帧间差分法的车辆运动目标检测[J].湖南工程学院学报(自然科学版).2019
[3].孙怡峰,吴疆,黄严严,汤光明.一种视频监控中基于航迹的运动小目标检测算法[J].电子与信息学报.2019
[4].卢裕秋,孙金玉,马世伟.基于深度卷积神经网络的运动目标检测方法[J].系统仿真学报.2019
[5].陈宁,陈本均.基于差分法和轮廓填充的运动目标检测方法[J].浙江科技学院学报.2019
[6].陈海东.基于激光传感器融合的运动目标检测[J].激光杂志.2019
[7].丁业兵.运动目标检测算法综述[J].科技资讯.2019
[8].陆华才,贺华展,黄宜庆,高文根.改进Canny边缘算子和高斯混合模型的运动目标检测[J].电子测量与仪器学报.2019
[9].刘晓,崔光照,李正周,熊伟奇.基于视觉系统分层的小目标运动检测[J].光学精密工程.2019
[10].梁栋,何佳,石陆魁,王松,刘佳.结合运动目标检测和ResNet的车速车型智能识别[J].北京交通大学学报.2019