导读:本文包含了目标识别和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
目标识别和跟踪论文文献综述
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）
郑茂凯[2]（2019）在《运动目标识别与跟踪方法的研究》一文中研究指出对于运动目标识别与跟踪方法的研究一直以来都是计算机视觉课题研究的热点,广泛应用于视频监控、医疗手术的诊断治疗和智能交通等各方面,所以本课题的研究有着很强的理论意义和实际意义。本文主要是对静态背景下运动目标识别及跟踪方法进行研究,针对复杂背景下目标识别效果不明显以及发生遮挡时跟踪失败的问题,在分析传统的识别、跟踪算法的基础之上加以改进。最终本文取得的研究成果如下:运动目标识别方法的研究。首先对传统的目标识别算法进行分析比较,并根据各自的优缺点,为解决识别效果不明显的问题,在帧差法与背景差分法的基础上提出一种新的改进算法。该算法将融合边缘检测的叁帧差法与基于Surendra算法的背景差分法相结合,在五种不同的环境:简单单一环境下、大尺度及小尺度目标场景下、目标速度很快的场景下、多运动目标环境下和光照环境场景下分别进行实验。结果表明,通过在单一背景和各种复杂背景下进行结果对比,本文提出的新算法能够完整、准确的从图像序列中提取出运动目标,适用于不同的场景,且满足实时性的要求,对环境具有鲁棒性,弥补了帧差法与背景差分法的缺点,可行有效。运动目标跟踪方法的研究。对常用的跟踪技术分类进行了说明,然后重点阐述了Camshift算法的基本原理,并进行实验论证。当目标发生遮挡时会导致跟踪失败,为解决这一问题引入预测器到跟踪过程中,通过预测器对目标在下一帧图像的期望位置进行估计,解决遮挡问题。本文提出一种基于线性预测的方法,将其与Camshift算法相结合,与常见的Kalman+Camshift算法进行实验对比,在叁种不同环境下就跟踪效果、跟踪误差、迭代次数和消耗时间四个方面进行实验比较。结果表示,该方法既能解决遮挡引起的跟踪失败问题,也能满足实时性的要求以及不同环境下跟踪,预测跟踪准确,方法可行有效。通过上述提出的改进算法能够解决目标识别效果不明显以及遮挡导致的跟踪失败问题,新的算法相较于改进前在性能上有很大的提高。(本文来源于《沈阳工业大学》期刊2019-06-03）
王瑶[3]（2019）在《基于视觉的无人机目标识别及跟踪》一文中研究指出随着无人机技术的迅猛发展,以无人机为平台的目标识别和跟踪已悄悄成为计算机视觉领域的研究重点。实际上,在军方以及生活中都有着采用无人机在空中巡视区域的需求。但是在现有的算法中,处理高空识别跟踪目标的情况较为乏力,因为目标可能存在尺寸较小、缺失纹理信息等缺陷。因此,本论文提出基于视觉的无人机目标识别及跟踪的结构,目的是提高在高空对像素较小目标的检测和跟踪性能。课题来源于军方区域巡视的实际需求,首先了解目标检测和跟踪的各种方法,分析其性能优劣,发现基于回归的检测算法可以兼顾速度和精度的需求,并觉察到相关滤波的跟踪方法表现更为优异,根据应用背景选择YOLOv3和KCF算法。其次,对于因异常气候及光线突变的影响导致的图像失真等情形进行处理。通过彩色图像灰度化、均值滤波、直方图均衡化以及图像矫正的方法增强图像质量,降低后续识别跟踪的难度。接着研究基于聚类分析anchor box以及预测尺度的YOLOv3检测算法。首先简要概述基础的神经网络以及YOLOv3检测算法。然后根据高空检测目标的应用场景,依照采集的数据集特点对anchor box进行聚类分析得到相应的尺寸,以此来对YOLOv3进行改进。再针对目标的特性改进网络,取消3种尺度的预测,只采用4倍降采样的特征图识别目标。并且为防止梯度消失,改进最后的DBL单元为残差单元。然后提出基于运动预测、尺度自适应以及检测调整的KCF跟踪算法。KCF算法采纳了循环矩阵、核函数和傅里叶变换域的方法,在计算量小的情况下提高跟踪的准确性。但是由于应用场景中目标运动速度过快、方向变化频繁、目标尺寸变化大等原因会导致跟踪失败,因此本文提出一种加入运动预测、尺度自适应以及检测调整的KCF方法。设计的跟踪算法可以通过前一帧运动的趋势,预知下一帧目标可能出现的位置。并采用多种尺度,使得在目标大小突变的情况仍能跟踪目标。而且算法还可以根据检测结果调整跟踪结果。最后,根据提出的算法结构进行仿真实验。首先根据高空检测目标的应用场景扩展数据集,再编写算法训练数据集,然后根据权重文件评价训练指标。结果表明,高空检测目标的性能优越,mAP达到89.06%,并且跟踪的位置误差平均小于7像素,跟踪效果好。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
程兴[4]（2019）在《基于无人机的地面目标识别与跟踪》一文中研究指出随着深度学习技术崛起,目标的识别和跟踪技术的准确率被大大提升,从而极大地带动了相关产业的发展,如智能无人车、无人机技术。而无人机因为其特有的灵活性和机动性,更是被广泛应用于军事、商业、监控等各个领域。然而,目前想利用无人机进行目标识别和跟踪并得到较高的精度,存在着一定的困难。在目标的识别和跟踪任务中,就存在着众多的难题。例如,一般的检测网络进行一次检测的耗时较长,无法做到实时检测,而且网络在运行时需要利用GPU,不便于在无人机平台上实现。同时,在跟踪任务中,由于目标存在着外形、光照变化、旋转扭曲、遮挡等方面的因素,长时间保持对目标的稳定跟踪,具有极大的困难。因此,针对目前大量存在于各种场景中识别与跟踪任务需求与难点,利用无人机上有限的计算资源,本论文设计了一套基于无人机的地面目标识别与跟踪系统,完成对图像中目标的识别与跟踪。主要工作如下:首先,论文借鉴目前运行速度较快的检测网络框架,设计目标检测网络的结构,在不同的尺度和长宽比的锚框下,进行目标检测。同时,为了提高网络的检测精度,完成了对网络参数的进一步调试。然后,完成了对传统跟踪及基于相关滤波的跟踪算法的研究,并对相关滤波跟踪算法的目标建模方式进行改进,并与原算法进行对比测试,结果表明该方法提高了跟踪算法的精度。在此基础上,依据目标检测和跟踪的结果,设计了目标位置信息融合算法,并对该算法的合理性进行了测试。最后,完成对整个系统的软件架构设计与测试。在ROS系统中实现了整个系统,并在多个测试集上进行测试。结果表明,本系统能够在无人机所搭载的嵌入式系统上实时运行,稳定性良好,目标定位精度较高,具有良好的使用价值。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
山丹,丛国涛[5]（2019）在《基于FPGA的动态目标识别与跟踪系统设计》一文中研究指出为满足动态目标识别与跟踪系统对实时性、低功耗和小型化的要求,设计了一种以FPGA为核心的电路系统,辅以OV7670视频采集模块和VGA接口显示器,实现对视频图像进行采集、处理、矩形框标识,最终实现对动态的识别、跟踪和显示。其中,对图像的处理部分由FPGA完成,包括缓存、灰度处理、改进的位运算中值滤波、背景前景分离、帧间差分法与背景差分法融合进行运动目标检测与跟踪等,充分利用FPGA的高速并行处理的特点,结合片内RAM高速处理和片外SDRAM大容量特性,实现对视频数据的处理和存储。同时,系统具有抗干扰性较强、小巧、灵活、低功耗、通用性及可扩展性强等特点,既适合工业领域,又适合家居使用。(本文来源于《电子测量技术》期刊2019年10期）
邓豪[6]（2019）在《移动机器人平台的运动目标识别与跟踪技术研究》一文中研究指出随着近些年移动机器人在智能服务和智慧城市等各领域的不断发展,其对运动目标的跟随和运动响应也愈发受到关注。随着机器视觉相关技术的持续进步,基于序列图像分析处理获取目标运动状态凭借其成本低、适应性广、部署难度小而广泛应用。但现有识别与跟踪方法尤其是只有第一帧初始信息再无其它先验知识的无模型跟踪方法,存在环境适应性不足、计算量太大、长时间鲁棒性差等特点,使其难以部署于移动机器人平台或良好适应于作业环境。针对以上问题,本文对移动机器人平台的无模型运动目标识别与跟踪技术展开研究。首先,本文对基于特征匹配方法将感兴趣前景目标从序列图像中识别出来进行了研究。对于机器人作业场景图像广泛存在的光照影响设计了自适应Gamma光照均衡方法,采用性能稳定的ORB特征点提取及特征描述方法提取场景图像中的特征点,再通过kNN匹配得到当前帧中目标特征点集。其次,通过金字塔LK光流方法获取序列图像间经成像映射后的目标运动信息,由于光流极易受到环境中的光照干扰,使用了前向-后向误差控制和NCC相似度控制方法对跟踪特征点集进行筛选。再者,为了使系统对应用环境良好适应,保持系统长时间持续鲁棒,并使系统能够在丢失目标之后避免再次手动指向而恢复运行,对基于特征点的检测-跟踪融合框架进行了研究。由于特征匹配和运动表达存在歧义性,本文设计了空间相邻度和特征相似度结合的密度可达条件,并通过密度聚类完成外点筛除。同时对于第一帧中初始信息随着识别与跟踪过程持续进行参考性持续降低容易导致检测结果错误的问题,采用了在序列图像中选取鲁棒关键帧对参考基准进行持续动态更新的方法以适应目标或环境的持续变化。除此之外,还利用目标位置在相邻图像帧之间的相关性,通过当前帧中获得的目标位置及运动状态对后序帧中目标位置进行预测,降低冗余图像信息干扰的同时提升系统实时性。最后,本文搭建了移动机器人图像处理平台,在现实场景进行了适应性测试,并在标准数据集上将本文方法与近年优秀跟踪方法进行了对比实验。(本文来源于《西南科技大学》期刊2019-05-01）
翁静文[7]（2019）在《基于机器学习的运动目标识别与跟踪研究与设计》一文中研究指出基于机器学习的运动目标识别与跟踪是机器视觉和模式识别领域的热门研究内容之一。基于无人机视频的目标识别与跟踪系统作为一种具有预警、防范和主动监测功能的系统,能够有效解决人工处理过程中不及时、误判等实际问题。本文紧扣运动目标识别和跟踪的核心问题,从目标识别、目标跟踪以及识别与跟踪系统设计这叁个方面进行研究。首先,针对目标识别过程中识别精度不高、速率较慢以及存在漏检的问题,研究了一种基于随机森林和支持向量机改进的目标识别算法,该算法针对单一特征影响识别精确度的问题,将颜色特征(Lab)与改进的方向梯度直方图(FHOG)特征融合,再根据随机森林得出目标感兴趣区域中心,然后通过LIBLINEAR分类器在感兴趣区域进行识别。实验结果表明,本文的识别器在行人识别中比传统支持向量机召回率提高了9.35%,漏检率降低了0.68%,速率达到2.70帧/秒。其次,为提高融合了梯度直方图特征和颜色特征的相关滤波算法(ECO-HC)的跟踪性能,研究了一种基于特征融合和自适应学习率改进的相关滤波算法。该算法依据梯度直方图特征和颜色特征各自的特性以及其对无人机行人跟踪性能的影响程度确定特征融合权重,同时采用自适应学习速率方法,使跟踪器能够自适应应对复杂的目标运动的问题。实验结果表明,本文的改进算法在平均距离精度和重迭率上比ECO-HC分别高出3.3%和2.6%,跟踪速度达到51.8帧/秒。最后,本文设计了一套目标识别与跟踪系统,利用识别器识别出首帧图像中的目标,使其作为跟踪器的输入进行后续跟踪,针对在跟踪过程中可能会出现新进入目标的情况,该系统采用间隔帧启动识别器的方法,通过数据关联算法进行多目标并行跟踪,同时利用卡尔曼滤波算法进行辅助监督跟踪,以此确保跟踪精度。通过自建无人机视频集对本系统进行实验验证,结果显示该系统具有稳健的性能和实时性。(本文来源于《西南科技大学》期刊2019-05-01）
石泽琼,毛俊强,李双伟,徐丽蕊,董言治[8]（2019）在《基于OpenCV的运动目标识别跟踪》一文中研究指出实时目标检测与跟踪系统是近年来计算机视觉与模式识别领域的研究热点之一。本文主要是在Visual Studio2012平台下,使用计算机视觉库OpenCV对运动图像进行形态学图像预处理,以及调用CamShift算法对实时运动目标进行识别跟踪。该算法首先计算目标是HSV空间下的HUE分量直方图,通过直方图反向投影得到目标像素的概率分布,再调用CV库中的CamShift算法,自动跟踪并调整目标窗口的中心位置与大小。实验结果表明,该算法性能良好,能够有效地进行实时目标追踪。(本文来源于《中国集成电路》期刊2019年04期）
韩晓微,岳高峰,谢英红,高源,鲁正[9]（2019）在《动态视角下自主目标识别与跟踪》一文中研究指出针对动态视角下由于相机高频率晃动导致的常用目标识别及跟踪算法准确率较低的问题,提出了一种基于Canny和GrabCut的自适应窗口式目标跟踪算法。首先使用加速稳健特征(SURF)算法学习图片库并记忆图片特征,设计基于SURF算法的记忆库目标识别算法;然后,对上述目标区域采用GrabCut的自适应优化算法进行感兴趣区域分割,实现目标粗略跟踪;最后,设计基于Canny算法的窗口式算法进行目标精确追踪。实验结果表明,所设计的算法能快速地识别目标、精确地勾勒出其轮廓并且稳定跟踪目标,相比其他算法,算法在实时性和精确性方面有显着提高。(本文来源于《仪器仪表学报》期刊2019年03期）
李慧欣[10]（2019）在《舰船视觉系统海空多目标识别与跟踪技术研究》一文中研究指出我国是一个拥有辽阔海域、超长海岸线和充裕海洋物资的海洋大国,因此舰船视觉系统有着十分重要的应用价值。在军用上,可以用于发现敌情、加强海域监管、维护海洋权益等;在民用上,可以用于管理海关运输、海防安全、港口调度、海上非法行动等。目前对于海上目标的识别与跟踪大多都针对于海面各种舰船目标,但在实际应用中,空中飞行物体(如飞行器、飞鸟等)和其他水面物体(如岛屿、礁石、海面大型鱼类等)都可能是舰船监控的目标。因此本文以海空多目标作为研究对象,设计一款能够准确且实时地识别跟踪海空多目标的舰船视觉系统。本文主要做了以下研究:首先,视频图像的预处理与实验数据集的设计及制作。基于海上数字视频的监控图像容易受到光照条件的影响,如夜晚、阴天、雾天等都会使监控视频图像的质量下降。为了使采集的舰船监控视频能被后续操作更好地利用,本文使用图像增强和图像滤波来提高海上监控视频的质量。结合常用的开源数据集和采集的视频图像数据集来设计适合本文的海空目标数据集,并将所有的图像处理成统一的格式封装,制作成相应的训练集和测试集,以便于训练后续的识别网络。其次,基于卷积神经网络的海空多目标识别算法研究。通过分析比较当前常用的目标识别算法的识别速度和识别精度,本文选择使用YOLO v3网络对海空多目标进行识别。并在YOLO v3网络中加入Inception模块来改进YOLO v3的特征提取网络,使改进的识别网络能更好的提取目标精细的特征信息。通过测试结果可以看出改进后的识别网络的识别效果更好,对于小目标或被遮挡的目标也能够准确的识别。然后,基于视频序列的海空多目标跟踪算法研究。在这部分主要研究了基于KCF的目标跟踪算法,并利用置信度判断机制改进KCF跟踪算法。利用海空多目标识别算法里设计的检测器检测的目标信息来初始化跟踪器,并利用数据关联算法实现同时跟踪多个海空目标。在后续的系统,检测器还会继续检测校正跟踪器,这样做的目的是为了防止发生误检、漏检、目标丢失等现象,保证了海空多目标跟踪算法的鲁棒性与准确性。最后,舰船多目标识别与跟踪视觉系统的界面设计与整体调试。综合设计的海空多目标识别算法与跟踪算法搭建本文的舰船视觉系统。通过对系统的整体测试表明系统能够准确的持续的对多个海空目标同时识别与跟踪。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
目标识别和跟踪论文开题报告
（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：
对于运动目标识别与跟踪方法的研究一直以来都是计算机视觉课题研究的热点,广泛应用于视频监控、医疗手术的诊断治疗和智能交通等各方面,所以本课题的研究有着很强的理论意义和实际意义。本文主要是对静态背景下运动目标识别及跟踪方法进行研究,针对复杂背景下目标识别效果不明显以及发生遮挡时跟踪失败的问题,在分析传统的识别、跟踪算法的基础之上加以改进。最终本文取得的研究成果如下:运动目标识别方法的研究。首先对传统的目标识别算法进行分析比较,并根据各自的优缺点,为解决识别效果不明显的问题,在帧差法与背景差分法的基础上提出一种新的改进算法。该算法将融合边缘检测的叁帧差法与基于Surendra算法的背景差分法相结合,在五种不同的环境:简单单一环境下、大尺度及小尺度目标场景下、目标速度很快的场景下、多运动目标环境下和光照环境场景下分别进行实验。结果表明,通过在单一背景和各种复杂背景下进行结果对比,本文提出的新算法能够完整、准确的从图像序列中提取出运动目标,适用于不同的场景,且满足实时性的要求,对环境具有鲁棒性,弥补了帧差法与背景差分法的缺点,可行有效。运动目标跟踪方法的研究。对常用的跟踪技术分类进行了说明,然后重点阐述了Camshift算法的基本原理,并进行实验论证。当目标发生遮挡时会导致跟踪失败,为解决这一问题引入预测器到跟踪过程中,通过预测器对目标在下一帧图像的期望位置进行估计,解决遮挡问题。本文提出一种基于线性预测的方法,将其与Camshift算法相结合,与常见的Kalman+Camshift算法进行实验对比,在叁种不同环境下就跟踪效果、跟踪误差、迭代次数和消耗时间四个方面进行实验比较。结果表示,该方法既能解决遮挡引起的跟踪失败问题,也能满足实时性的要求以及不同环境下跟踪,预测跟踪准确,方法可行有效。通过上述提出的改进算法能够解决目标识别效果不明显以及遮挡导致的跟踪失败问题,新的算法相较于改进前在性能上有很大的提高。
（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。
目标识别和跟踪论文参考文献
[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].郑茂凯.运动目标识别与跟踪方法的研究[D].沈阳工业大学.2019
[3].王瑶.基于视觉的无人机目标识别及跟踪[D].哈尔滨工业大学.2019
[4].程兴.基于无人机的地面目标识别与跟踪[D].哈尔滨工业大学.2019
[5].山丹,丛国涛.基于FPGA的动态目标识别与跟踪系统设计[J].电子测量技术.2019
[6].邓豪.移动机器人平台的运动目标识别与跟踪技术研究[D].西南科技大学.2019
[7].翁静文.基于机器学习的运动目标识别与跟踪研究与设计[D].西南科技大学.2019
[8].石泽琼,毛俊强,李双伟,徐丽蕊,董言治.基于OpenCV的运动目标识别跟踪[J].中国集成电路.2019
[9].韩晓微,岳高峰,谢英红,高源,鲁正.动态视角下自主目标识别与跟踪[J].仪器仪表学报.2019
[10].李慧欣.舰船视觉系统海空多目标识别与跟踪技术研究[D].哈尔滨工程大学.2019