导读:本文包含了序列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:体育运动图像,像素序列,标志点,自动跟踪
序列跟踪论文文献综述
赵蕾,谢颖[1]（2019）在《体育运动图像序列标志点自动跟踪方法研究》一文中研究指出针对传统图像标志点自动跟踪方法边缘轮廓特征模糊,导致跟踪性能受限的问题,提出体育运动图像序列标志点自动跟踪方法。由图像的几何不变矩与弱边缘特征量的几何分布,构建图像的分块模型,将待跟踪图像归入分块子空间,获取局部动态特征点检测输出,计算局部动态特征重建轮廓区域分布估计值,根据手工标注分块匹配样本图像,重建轮廓分布特征点,检测图像边缘轮廓特征。在此基础上,动态融合体育运动图像,获取边缘亮点模型约束项,结合RGB特征分解技术提取特征标志点特征。重构图像的叁维信息特征,结合稳态匹配技术完成体育运动图像序列标志点自动跟踪。实验结果表明,采用该算法进行模糊体育运动图像的动态特征标志点自动跟踪处理,特征匹配精度高,自动跟踪性能较好,对动态特征标志点的定位精度较高。(本文来源于《自动化与仪器仪表》期刊2019年11期）
田雨佳[2]（2019）在《视频序列中的运动目标跟踪算法分析》一文中研究指出我国经济建设以来,科学技术得到较快发展,计算机在各个领域有较为广泛的应用效果,其中视频序列运动目标跟踪是计算机领域中非常重要的技术之一,主要应用在工业机器人、国防安全以及人机交互等领域,并且在该领域中有较高的应用价值。此外,在对视频序列目标跟踪的过程中,需要采用有效的跟踪算法,这在较大程度上能够有效提升跟踪结果的精确性。但是,由于监控设备之间差异以及监控场景多变,导致一些因素的影响,比如目标形态变化比例以及光照强度变化等,使跟踪结果精确度偏低,无法达到较好预期。为此,需要采取有效的目标跟踪算法提升跟踪算法结果的精确度,以此为我国一些领域的发展奠定良好的基础。(本文来源于《数码世界》期刊2019年11期）
张丽红,周天,徐超,韩婷婷[3]（2019）在《基于声呐图像序列SIFT特征的多目标跟踪方法研究》一文中研究指出针对高频成像声呐多目标跟踪中声成像的不稳定问题,在基于检测前跟踪的声呐图像序列尺度不变特征变换(Scale Invariant Feature Transform, SIFT)的基础上,提出了一种结合对数变换的声呐图像序列SIFT特征跟踪方法。该方法利用对数变换进行图像预处理,进而利用声呐图像序列SIFT特征进行多目标跟踪。水池试验数据的处理结果表明:与中值滤波和动态亮度分配的方法相比,结合对数变换的声呐图像序列SIFT特征跟踪方法具有更好的多目标跟踪效果。(本文来源于《声学技术》期刊2019年05期）
王晓田,马万超,张凯,李少毅,闫杰[4]（2019）在《面向自动目标跟踪红外图像序列复杂度度量》一文中研究指出红外图像复杂度度量是自动目标识别及其跟踪性能评估的重要组成部分。传统的度量指标如统计方差、信杂比等针对的皆是单帧图像,而对于图像序列复杂度度量的研究寥寥无几。针对该问题,提出一种面向自动目标跟踪的红外图像序列复杂度度量方法。首先,对影响目标识别及其跟踪因素进行分析,明确了红外图像序列中影响目标识别及其跟踪的具体原因,以此为依据构建基于特征空间的目标混淆度和目标遮隐度指标;其次,通过灰色关联法优化特征空间,使目标混淆度和目标遮隐度指标更加合理;最后,结合识别与跟踪的特点,选择合适的加权平均函数和非线性变换函数,实现图像序列复杂度度量。实验表明,与图像序列评价指标如序列相关度、帧间目标变化度相比,文中提出的评价指标与跟踪误差的单调关系更好,是一种有效的图像序列复杂度评价标准。(本文来源于《西北工业大学学报》期刊2019年04期）
易欣,郭武士,赵丽[5]（2019）在《热红外图像序列中基于KCF和Mean-Shift定位的目标跟踪方法》一文中研究指出针对热红外图像低信噪比(SNR)特性,提出了一种判别式热红外目标跟踪方法。首先,通过自适应组合核化相关滤波器(KCF)来获取目标位置,使用最有区别的特征集梯度和信道编码强度特征训练滤波器;然后,将经过训练的滤波器与感兴趣区域相关联,并将输出响应自适应地组合在一起,基于峰值定位目标。使用AdaBoost分类器对包含目标像素和背景像素的图像块进行训练,以分割连续帧中的对象;最后,通过Mean-Shift均值漂移算法寻找峰值以获得最优位置。对LTIR数据集中13个具有挑战性的红外视频进行了实验,结果显示提出的跟踪器在平均中心位置误差、距离精度和重迭精度等方面均优于其他跟踪器。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年08期）
朱世昕,杨泽民[6]（2019）在《基于半直接方法的序列影像直线特征跟踪匹配算法》一文中研究指出针对序列影像相邻帧间相对运动较小的特点,提出了一种基于半直接方法的序列影像直线特征跟踪匹配算法。首先,选取关键帧进行点特征和直线特征的提取与匹配;然后,利用运动恢复结构算法对直线上的特征点进行重建;接着,通过反向合成图像对齐算法实现相邻帧的直线特征点的跟踪和摄像机相对位姿估的计;最后,由跟踪特征点实现对直线特征的跟踪匹配。采用两组不同的序列影像数据对算法进行了验证,实验表明所提算法能够实现序列影像直线特征的准确跟踪匹配,并能同时估计得到摄像机的位姿;摄像机的位姿估计误差随着帧数的增加而累积。文中还提出了一种新的序列影像直线特征跟踪匹配算法,该算法仅利用直线上的稀疏特征点就可实现对相邻影像间的直线特征的准确跟踪匹配,并能估计得到摄像机的运动轨迹。但是,该方法存在累积误差,需要进一步改进。(本文来源于《计算机科学》期刊2019年S1期）
刘鹏[7]（2019）在《基于视频序列的目标人脸跟踪技术的研究》一文中研究指出人脸检测与跟踪技术在模式识别与计算机视觉领域里极具研究价值,在实际生活中能得到诸多应用,与人类息息相关。互联网大数据时代下,国防安全,智能视频监控,边防安检,电子商务等诸多领域都能看到人脸检测、人脸识别及人脸跟踪的影子,人脸检测与人脸跟踪作为其中关键环节,在近年来受到越来越多研究学者的重视。本文考量了人脸跟踪中特征融合阶段,设计了一个基于肤色分割的人脸检测方法与改进自适应人脸特征的Staple算法的人脸跟踪方法,详情如下:(1)通过研读大量人脸检测与人脸跟踪的文献资料,将人脸检测技术中基于先验知识的人脸检测和基于统计的人脸检测进行研究总结,将人脸跟踪方法从基于模型跟踪,基于运动信息跟踪,基于人脸局部特征跟踪,及近几年大热的基于神经网络跟踪几类方法进行研究总结。(2)针对视频序列的人脸检测问题,采用肤色概率特征的方法描述人的面部。首先,为了校正色偏,对视频首帧进行光照补偿预处理,以便提取肤色概率特征;然后,在叁个颜色空间中进行比较与筛选,选择对人脸使用亮度与色度相分离的YCbCr颜色空间,以凸显其人脸的聚类特性。利用人脸的先验特征,保留符合条件的人脸区域;最后将定位的区域在原图像里标记出来。(3)在研究基于相关滤波的Staple算法的基础上,本文提出一种存在新颖置信度机制的人脸跟踪算法,首先利用位置滤波器提取人脸检测出来的人脸区域的HOG特征,利用多颜色空间的概率模型提取人脸检测出来的人脸区域的颜色特征,并预留两者特征。HOG特征的优点是对颜色变化处理稳定,多颜色空间的概率特征优点对人脸发生空间变化时处理稳定,融合两者特征可解决大部分跟踪过程中遇到的问题,但目标人脸消失在视频区域或与其他非目标人脸重合时,可以利用视频首帧提取的的先验特征进行跟踪置信度判断,及时对融合特征进行更新。设计并实现了能够克服目标人脸位置移动、消失和表情姿态变化的人脸检测与跟踪算法。实验表明,改进算法较前人算法有较大的提升。(本文来源于《新疆大学》期刊2019-06-03）
张亚琴[8]（2019）在《视频序列中的单目标跟踪算法研究》一文中研究指出近年来,很多地方都在争创“全国文明城市”,首要任务是要保证该地方的安全,所以建设“平安城市”成为了实现“全国文明城市”的关键需要。如今,在大街小巷、政府企业以及一些公共场合都能看到各种各样的摄像头,而视频智能处理可以将人类从复杂操作中“解放出来”,自动处理摄像机捕捉到的视频信息,并及时做出响应。因此视频智能处理系统的需求越来越显着,然而,目标跟踪技术作为该系统中的一个重要部分,要设计出一种实时、精确的跟踪器成为了研究的热点和难点。本文通过特征表示、更新模型和集成策略叁个模块对跟踪的效果进行研究和评测。提出了自适应的基于上下文的目标跟踪算法和融合得分图的基于孪体网络的目标跟踪算法。随着相关滤波的提出,目标跟踪的效果得到了很大的提升,然而很多经典的算法中只是考虑到跟踪对象的信息,忽略了跟踪对象周围的背景信息和其本身信息之间的关联性。有研究者提出了上下文的模型,但是采用了单一的特征来表达目标,模型的学习速率固定不变,不能很好的适应目标的外观变化。针对这一不足,提出了多特征的融合策略,利用梯度直方图和颜色属性特征,与图像的灰度值融合来表达目标,同时根据上下两帧中目标位置的差异性来更新学习速率,从而使得模型适应于目标的变化。通过实验结果分析可以看出,相比于传统算法的精确度,本文算法的跟踪性能得到了很大的提升,尤其对受严重遮挡和背景信息极为相似的视频序列。大多数的相关滤波都采用了视频序列的第一帧在线训练,存在样本数量少而且在线训练需要耗费很多时间的问题。深度学习的引入成为解决该问题的关键方法。基于孪体网络的目标跟踪算法,采用相似性的思想来实现跟踪的任务。其采用卷积网络来提取目标特征,仅仅利用一个得分图来预测目标位置,丢弃了其他得分图的信息。针对以上不足,本文研究深度特征在目标跟踪中的影响,充分利用每个得分图中所含的信息,对不同搜索区域所得到的得分图采取加权融合处理,最终能够更加准确的预测出目标的位置。整个跟踪阶段采用端到端离线训练、在线跟踪的方式。通过实验结果分析,相比于传统算法,本文所提算法在跟踪效果的鲁棒性上得到了很大的提升,并且跟踪速度也得到了一定的改善。(本文来源于《新疆大学》期刊2019-06-01）
唐瑞萍[9]（2019）在《基于视频序列的人脸稳健跟踪研究》一文中研究指出随着科学技术的不断发展,以及信息安全领域要求的不断提高,基于生物特征的跟踪识别技术已成为模式识别和人机交互领域的研究热点。人脸是一个比较特殊的类别,因为其在许多使用场景中,都扮演着对人类活动理解的重要角色。人脸跟踪作为计算机视觉的重要研究方向,一直是计算机视觉的研究热点。由于人脸跟踪经常受到遮挡、形变以及尺度变换等多种因素的干扰,往往会导致跟踪产生漂移,最终致使跟踪精度降低甚至跟踪失败,无法达到预期要求。本文在压缩跟踪的基础上从特征融合、自适应特征加权及稳健跟踪方法改进这叁个方面进行人脸目标跟踪研究,主要工作如下:1.研究多特征融合表征人脸信息的问题。针对压缩跟踪方法中只采用单一的haar-like特征,无法精确描述人脸特征信息的问题,提出了一种基于扩展的haar-like特征和LBP特征的人脸压缩跟踪方法。利用两种特征来丰富人脸的特征信息,并采用由粗到精的采样策略。首先采用扩展的haar-like特征进行人脸目标位置的粗跟踪,得到目标的大致位置。然后在该目标位置区域附近再进行精确采样,利用LBP特征进行精细跟踪,最终得到人脸目标的最佳位置。2.研究压缩跟踪框架下特征加权及模板自适应更新的问题。压缩跟踪方法中分类器将多种不同样本特征直接进行相加,并未考虑不同样本特征对于目标分类效果的影响。本文采用加权分类的思想,通过不同特征对于分类效果的贡献不同而赋予不同的权值,对于可靠性特征分配较大的权值,以便提高分类器的分类准确性。同时,针对压缩跟踪方法中采用固定学习速率进行模板更新,无法适应目标变换而导致跟踪漂移的问题,通过目标的干扰判定,自适应地调节模板的更新速率,以此来提高目标的跟踪精度。3.研究基于卡尔曼预测的人脸稳健压缩跟踪方法。针对压缩跟踪算法抗噪能力不强,容易受到外界因素干扰而导致跟踪精度下降的问题,提出了一种基于卡尔曼预测的压缩跟踪方法。在判定人脸目标受干扰后,引入卡尔曼滤波来估计目标的正确位置,并以此位置为目标,继续后续的人脸目标跟踪。(本文来源于《兰州理工大学》期刊2019-05-20）
胡海根,周莉莉,周乾伟,陈胜勇,张俊康[10]（2019）在《基于CNN的相衬显微图像序列的癌细胞多目标跟踪》一文中研究指出检测与跟踪相衬显微图像序列下的癌细胞对于分析癌细胞的生命周期以及开发抗癌新药具有非常重要的意义。传统的目标跟踪方法大多应用于刚性目标跟踪或单目标跟踪,而癌细胞是非刚性且不断裂变的多目标,这就大大增加了跟踪的难度。文中以相衬显微图像序列中的膀胱癌细胞为研究对象,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的癌细胞多目标跟踪方法。该算法采用基于检测的多目标跟踪方法,首先利用深度学习检测框架Faster R-CNN卷积神经网络实现癌细胞的检测,初步获得待跟踪的癌细胞;再利用扫描圆算法(Circle Scanning Algorithm,CSA)实现黏连细胞的检测优化,进一步提高黏连区域的细胞检测精度;最后提取综合特征描述子,对卷积特征、尺寸特征和位置特征进行加权求和,实现跟踪目标的综合描述,从而实现不同帧癌细胞间的高效关联匹配,最终实现癌细胞的多目标跟踪。一系列实验结果表明,相较于传统方法,所提方法不仅在癌细胞的检测和跟踪上性能有较大的提升,而且可以有效处理目标的遮挡问题。(本文来源于《计算机科学》期刊2019年05期）
序列跟踪论文开题报告
（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：
我国经济建设以来,科学技术得到较快发展,计算机在各个领域有较为广泛的应用效果,其中视频序列运动目标跟踪是计算机领域中非常重要的技术之一,主要应用在工业机器人、国防安全以及人机交互等领域,并且在该领域中有较高的应用价值。此外,在对视频序列目标跟踪的过程中,需要采用有效的跟踪算法,这在较大程度上能够有效提升跟踪结果的精确性。但是,由于监控设备之间差异以及监控场景多变,导致一些因素的影响,比如目标形态变化比例以及光照强度变化等,使跟踪结果精确度偏低,无法达到较好预期。为此,需要采取有效的目标跟踪算法提升跟踪算法结果的精确度,以此为我国一些领域的发展奠定良好的基础。
（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。
序列跟踪论文参考文献
[1].赵蕾,谢颖.体育运动图像序列标志点自动跟踪方法研究[J].自动化与仪器仪表.2019
[2].田雨佳.视频序列中的运动目标跟踪算法分析[J].数码世界.2019
[3].张丽红,周天,徐超,韩婷婷.基于声呐图像序列SIFT特征的多目标跟踪方法研究[J].声学技术.2019
[4].王晓田,马万超,张凯,李少毅,闫杰.面向自动目标跟踪红外图像序列复杂度度量[J].西北工业大学学报.2019
[5].易欣,郭武士,赵丽.热红外图像序列中基于KCF和Mean-Shift定位的目标跟踪方法[J].重庆理工大学学报(自然科学).2019
[6].朱世昕,杨泽民.基于半直接方法的序列影像直线特征跟踪匹配算法[J].计算机科学.2019
[7].刘鹏.基于视频序列的目标人脸跟踪技术的研究[D].新疆大学.2019
[8].张亚琴.视频序列中的单目标跟踪算法研究[D].新疆大学.2019
[9].唐瑞萍.基于视频序列的人脸稳健跟踪研究[D].兰州理工大学.2019
[10].胡海根,周莉莉,周乾伟,陈胜勇,张俊康.基于CNN的相衬显微图像序列的癌细胞多目标跟踪[J].计算机科学.2019