导读:本文包含了目标轨迹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:自动驾驶系统,多目标跟踪,核相关滤波,YOLOv2
目标轨迹跟踪论文文献综述
廖家才,曹立波,夏家豪,张晓,吴强[1]（2019）在《基于核相关滤波和运动模型的多目标轨迹跟踪》一文中研究指出在自动驾驶系统中,基于视觉的车辆前方多目标检测和轨迹跟踪能够为前方目标的姿态估计、行为分析提供有效信息。针对协同运动信息和核相关滤波跟踪信息的多目标跟踪的不足,使用卷积神经网络YOLOv2检测目标,提出了融合核相关滤波和目标运动信息的多目标轨迹跟踪方法,目的是将运动信息融入到图像特征跟踪容器中,优化运动模型,减少环境噪声造成的目标跟踪丢失、偏离。提出了基于运动信息改进核相关滤波跟踪尺度不变性算法。建立了多目标的检测跟踪容器,提出了结合目标属性、重合度、运动状态、跟踪状态的多目标匹配方法。实验表明,本文算法能够实现一定场景下的多目标的持续实时轨迹跟踪,平均有效跟踪率为92.5%。(本文来源于《汽车工程》期刊2019年10期）
刘树博,刘国权,周焕银,罗先喜,杨波[2]（2019）在《基于多目标扰动观测器的不确定机器人滑模自适应轨迹跟踪控制》一文中研究指出以不确定机器人为研究对象,基于多目标扰动观测器提出一种滑模自适应控制策略。首先,根据所提出的复合滑模面,设计包含扰动估计的非抖振滑模跟踪控制策略;其次,依据H_∞和极点配置理论,设计多目标扰动观测器,来实现对扰动的估计;最后,基于李雅普诺夫方法给出了自适应律,并对系统稳定性进行了证明。仿真结果表明,该算法能够实现机器人对给定信号的有效跟踪,不依赖系统先验信息,因此具有较高的实用性和有效性。(本文来源于《组合机床与自动化加工技术》期刊2019年10期）
郝占军,颜丽华,党小超[3]（2019）在《基于信道状态信息的被动式目标轨迹跟踪方法》一文中研究指出针对目前的被动式目标人员轨迹跟踪方法计算开销大,算法复杂度高等问题,提出了一种基于信道状态信息CSI(Channel State Information)的被动式目标人员跟踪方法。该方法在离线阶段采集细粒度的CSI数据,建立离线指纹数据库;在线阶段,将实时数据与离线数据库中的数据利用融合了卡尔曼滤波的KNN位置指纹算法进行匹配,实现目标人员轨迹跟踪。实验结果表明该方法可以更精确的跟踪目标人员的轨迹,跟踪可靠性更高。(本文来源于《传感技术学报》期刊2019年07期）
刘创[4]（2019）在《无人驾驶车辆多目标容错跟踪与轨迹预测研究》一文中研究指出无人驾驶车辆在行车途中不仅要捕捉周围静止环境的信息,更重要的是获取运动障碍的信息,其中首要的关注对象是行人和其它车辆。基于摄像头采集的图像序列,通过多目标跟踪可以获取视野中每个目标在图像上的历史轨迹框,联合其他传感器如激光雷达,可以得到目标在真实世界中的历史运动轨迹,根据目标的历史轨迹可以进行合理的轨迹预测,用于无人驾驶车辆避障策略的制定。现实环境中的多目标跟踪存在诸多问题,比如因为车体抖动使得摄像头采集到的图像产生模糊,因为检测算法的不稳定导致的漏检等等。因此,本文针对多目标跟踪可能存在的一些实际问题进行改进,在原始的跟踪系统上增加了多个容错改进模块,在提升精度的同时使得其鲁棒性更强。并基于多目标跟踪得到的结果,对现实环境中的车辆运动轨迹进行预测,探究了多目标跟踪的实际用途。本文主要的研究工作和成果如下:1)针对原始多目标跟踪系统中可能存在的检测失效问题做了容错,对遮挡目标跟踪算法做了改进。多目标跟踪系统的性能很大程度上取决于检测算法的优劣,一旦检测算法失效将使得多目标跟踪的性能大大降低。因而本文考虑通过MIL滤波器来对检测算法进行容错,在检测器失效的情况下采用MIL滤波器来跟踪已经存在的目标,减少漏检。现实环境中的多目标跟踪因为目标众多、背景繁杂,使得目标遮挡的情况常有发生。本文对原始的卡尔曼滤波预测算法进行修正,采用指数变化的方式拟合目标框的变化率,同时还提出了一种基于邻近目标变化信息的运动背景补偿策略,来消除因背景运动导致的遮挡预测漂移。在MOT和KITTI数据集上分别进行了实验,证明了改进方案的有效性。2)针对摄像机可能采集到模糊图像导致多目标跟踪效果变差的问题做了容错,提出了一种基于生成对抗网络的图像去模糊算法。现实环境中,无人驾驶车辆在行驶途中可能因路面凹凸不平导致相机采集到的图像产生运动模糊,使得对前方障碍物的跟踪效果变差,影响后续的导航规划。本文基于深度学习对模糊图像进行恢复,以原始生成对抗网络为基础,提出了基于残差逼近的生成对抗网络,同时加入了新的损失函数,在图像去模糊数据集GOPRO上得到了较好的效果。针对所提出的图像去模糊算法,本文将其增加在多目标跟踪系统中作为前置容错模块,在KITTI数据集上对其进行有效性验证,结果证明本文增加的模糊图像容错模块确实可以增加多目标跟踪系统的抗模糊能力。3)提出了一种基于注意力机制的车辆运动轨迹预测算法。多目标跟踪得到目标在图像层面的历史运动轨迹框,联合其他距离传感器即可获取目标在真实世界坐标系中的历史运动轨迹。本文基于原始的Convolution Social LSTM网络进行改进,采用横向的注意力机制获取邻居车辆相对目标车辆的重要性,对邻居信息进行加权求和得到全局的特征,与采用卷积池化提取的局部特征相加得到完整的邻居特征,用于后续预测轨迹。同时在预测轨迹时对传统的Encoder-Decoder结构进行改进,引入针对历史轨迹的纵向注意力机制,在预测的每一个时刻都采用与其最为相关的历史节点信息。在NGSIM提供的US101和180数据集上进行实验验证,结果表明本文改进的算法能得到更为精确的预测轨迹。(本文来源于《浙江大学》期刊2019-01-10）
陈旭璇,万潇月,叶桦[5]（2019）在《基于机载光电平台的目标跟踪与轨迹预测算法》一文中研究指出针对利用机载光电平台进行"空对空"目标跟踪时,跟踪效果受环境影响较大且全遮挡情况下目标容易跟丢的问题,在传统Cam Shift算法的基础上,提出了一种动态的基于多特征融合与相对Kalman模型的目标跟踪与轨迹预测算法。采用融合颜色、纹理、梯度特征的方式构建目标模板,提高了模型的描述能力;跟踪过程中引入特征模板动态更新环节,保证了算法的长期稳定性;在全遮挡的情况下,利用背景中心点以及飞行目标与该中心点的差值分别构建Kalman模型,并采用二次遮挡判断方法,大大降低了误判和丢帧概率。实验结果表明,所提算法具有较高的准确性、实时性与稳定性。(本文来源于《电光与控制》期刊2019年03期）
张立阳,陈奕梅[6]（2018）在《轮式机器人视觉伺服轨迹跟踪目标控制研究》一文中研究指出对于包含有单目视觉的移动机器人轨迹跟踪问题,目标控制对于机器人的位姿提取是至关重要的。针对该问题提出一种轮式机器人视觉伺服轨迹跟踪目标控制方法。对于由4个特征点组成的矩形目标,建立参考坐标系并应用消失点提取摄像机外参数。对于多个矩形目标,利用坐标系的旋转平移关系及摄像机外参数,实现矩形目标切换控制并估计机器人位姿。同时,建立摄像机坐标系下的跟踪误差,采用李雅普诺夫函数直接法设计相应的轨迹跟踪控制律。实验中通过棋盘格识别矩形目标,结果显示机器人能够精确识别和切换矩形目标,能够有效跟踪参考轨迹,跟踪误差最终收敛且有界。仿真和实验结果验证了该视觉伺服轨迹跟踪目标控制方法的可行性和有效性。(本文来源于《计算机仿真》期刊2018年11期）
仲莲花[7]（2018）在《基于轨迹预测的无线传感网目标跟踪技术研究》一文中研究指出目标跟踪技术是无线传感器网络中的重要研究领域。由于目标跟踪系统的规模大、能耗多、应用广泛等特点,许多学者在研究目标跟踪精度的同时,致力于寻找最合适的网络构建模型、最准确的轨迹预测线路和最优的系统能量消耗策略。为了提高系统的跟踪精度、降低网络时延、减少系统的能耗开销,本文提出了一种基于轨迹预测的能量有效的无线传感网目标跟踪技术(ETTA,A Type of Energy-efficient Target Tracking Approach based on Prediction in Sensor Networks),具体内容如下:首先,针对不规则的目标跟踪区域,本文对无线传感器网络以“网格”的形式进行了合理划分,并将网络内的节点按照合理的规则划分成簇,采用簇内节点协作的方式对目标进行精确定位、轨迹预测及实时跟踪;同时,本文设计了合理的节点睡眠调度策略,使未参与跟踪的节点能主动进入休眠状态,从而降低了网络能耗,延长了网络的生命周期。接着,通过对经典的RSSI和APIT技术的改进,本文提出了一个在节点稀疏区域也能做到精确定位的定位算法;为了提高目标跟踪系统的鲁棒性和容错性,本文在网络边界节点能否及时发现目标、网格之间如何实现对目标的轨迹预测与实时跟踪、目标离开当前网络后是否能被及时发现等方面,均作出了相应的考虑和分析。最后,考虑到目标跟踪过程中难免会发生跟丢目标等意外,本文设计了一个目标恢复机制,此机制不仅能有效地预防目标丢失的发生,还能在目标丢失后及时地重新定位到目标,显着地降低了目标丢失等意外造成的不良后果,同时提高了整个目标跟踪系统的稳定性和可扩展性。(本文来源于《南京邮电大学》期刊2018-11-14）
隗寒冰,陈尧,贾志杰,赖锋[8]（2018）在《融合历史轨迹的智能汽车城市复杂环境多目标检测与跟踪算法》一文中研究指出针对现有智能汽车环境感知算法多根据特定类型目标设计,在处理目标遮挡、光照突变等城市复杂场景时识别准确率较低的问题,提出一种基于网状分类器与融合历史轨迹的多目标检测与跟踪算法。该算法考虑各目标之间的遮挡关系,利用具有目标融合功能的网状分类器对多尺度滑动窗获取的待检窗口进行多目标检测;历史检测结果基于目标特征关联通过计算目标长短轨迹和历史轨迹可靠性验证生成历史轨迹库,该轨迹库用于预测或融合新的检测结果;利用该检测跟踪结果更新网状分类器中的标准差分类器、最近邻分类器和历史轨迹信息,直至完成多目标长时跟踪。实验结果表明,本文算法在目标遮挡、光照变化和阴雨天气的复杂城市环境下均可实现多目标长时间检测跟踪,与KITTI数据集样本相比,平均准确率在77.17%～81.32%之间,单帧图像平均耗时0.05s,具有较好的实时应用前景。(本文来源于《西安交通大学学报》期刊2018年10期）
周奇[9]（2018）在《基于多特征的轮船运动目标跟踪及轨迹获取方法》一文中研究指出随着功能纷杂的监控摄像头的普及,越来越多的信息都是通过摄像头进行采集。如何从这些视频数据中获取有效信息逐渐成为了计算机视觉领域一个热门的研究问题,本文的基于多特征的轮船运动目标跟踪及轨迹获取方法研究就是围绕着这一方面展开。对于轮船目标的跟踪和轨迹获取,本文采用的策略是先识别后匹配。针对基于视频的移动轮船目标识别,为了在复杂场景下也能够实现轮船目标的识别,本文以在端到端实时性检测方面取得突破性进展的YOLO算法为原型,通过将人工提取的轮船特征和机器自学习提取的特征进行再融合的方式,对原始算法进行改进,使其能够实现基于视频的移动轮船目标识别。使用加权组合特征融合的方式对人工提取的HOG特征和LBP特征进行融合,融合后的特征再与卷积神经网络自提取的特征进行神经网络再融合。通过实际实验,结果表明,对于背景简单、清晰度高的视频作为输入数据,本文方法基本能够识别图像中的轮船目标。针对如何实现帧间移动轮船目标切片的匹配,以达到跟踪和轨迹获取的目的,本文使用改进的SIFT匹配算法。由于传统的SIFT描述算子一般都是高维数据,不利于数据计算,故在本文中通过MDS降维算法对数据进行降维。同时结合HOG特征对特征错误匹配点进行二次剔除,从而精简匹配点,实现区域精准匹配,进一步降低遮挡、轮船间的重合给匹配带来的不良影响。通过实际实验,结果表明改进后的匹配算法能进一步减少错误匹配点,以及消除背景区域产生的匹配点。通过该匹配方法可以实现不同帧间相同轮船目标切片的关联建立,以达到跟踪的目的。将本文的跟踪方法与TLD算法进行实验对比,本文方法在跟踪时无需人工干预;将本文的跟踪方法与改进的Kalman滤波跟踪方法进行实验对比,本文方法在跟踪时较准确。在跟踪的过程中,本文方法提取每一个切片的坐标,并将该信息存储到指定文件中,指定文件的名称根据切片的编号进行确定。通过此种方式将相同编号的切片坐标数据存储到同一文件中,从而获得轮船目标的运动轨迹数据,并在下一帧视频中进行轨迹数据可视化处理。(本文来源于《北方工业大学》期刊2018-06-07）
杨露[10]（2018）在《基于轨迹片段集的视频多目标跟踪关键技术研究》一文中研究指出人工智能时代已经向我们扑面而来,视频的智能检测与分析成为了计算机视觉领域的一个重要分支,目标跟踪作为视频分析中的重要研究课题,已经在交通监控、流量统计等方面发挥着非常重要的作用。多目标跟踪的主要任务就是在视频图像序列中确定各观测目标的位置,将属于同一目标的位置区域标以相同的标号形成该目标的轨迹,从而实现目标跟踪。然而,在复杂的运动场景和背景中存在很多影响跟踪效果的因素,其中包括目标被相邻目标或者背景遮挡、目标因运动产生的形变、相邻目标太相似等。针对以上问题,本文将研究基于轨迹片段关联的多目标跟踪方法关键技术,主要的研究内容如下:1.研究高精度的目标检测和检测预处理技术。通过学习目前主流的目标的检测算法,本文采用可变部件模型(Dformabel Part Model,DPM)算法完成目标检测。对检测结果做预处理时,本文采用非极大抑制的方法将重复检测框剔除,同时在目标框所在图像的相邻图像中搜索位置相邻的目标框,利用尺寸比较判断目标框是否为误检目标框,从而剔除误检目标,为跟踪提供更加准确的输入。2.研究了一种高置信度轨迹片段生成方法。利用SIFT算法提取目标框内的特征点,再利用逆向光流法对目标框中的特征点进行跟踪,通过特征点的匹配结果以及目标框尺寸比较对不准确的目标框进行修正,最后通过目标的光流、位置、颜色、尺寸等特征有效组合来实现连续图像中的目标关联,生成置信度高的轨迹片段。3.提出了改进的网络流模型,用多相似度融合的方法进行轨迹片段关联。本文利用网络流模型的思想,将轨迹片段作为网络流图中的节点,按时间先后顺序建立节点的边,构建了轨迹片段的网络流图。提出了基于超像素和部件模型的轨迹片段颜色特征。利用运动估计来预测目标位置。结合轨迹片段之间的颜色相似度、位置关联度以及轨迹平滑度构建轨迹片段关联的费用。最后利用最短路径算法求解此网络流的所有最小费用流,从而得到多目标跟踪轨迹。最终的实验结果显示,本文方法相对于目前提出的一些多目标跟踪方法都有明显的性能提升,突出了本文的研究价值和意义。(本文来源于《电子科技大学》期刊2018-04-30）
目标轨迹跟踪论文开题报告
（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：
以不确定机器人为研究对象,基于多目标扰动观测器提出一种滑模自适应控制策略。首先,根据所提出的复合滑模面,设计包含扰动估计的非抖振滑模跟踪控制策略;其次,依据H_∞和极点配置理论,设计多目标扰动观测器,来实现对扰动的估计;最后,基于李雅普诺夫方法给出了自适应律,并对系统稳定性进行了证明。仿真结果表明,该算法能够实现机器人对给定信号的有效跟踪,不依赖系统先验信息,因此具有较高的实用性和有效性。
（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。
目标轨迹跟踪论文参考文献
[1].廖家才,曹立波,夏家豪,张晓,吴强.基于核相关滤波和运动模型的多目标轨迹跟踪[J].汽车工程.2019
[2].刘树博,刘国权,周焕银,罗先喜,杨波.基于多目标扰动观测器的不确定机器人滑模自适应轨迹跟踪控制[J].组合机床与自动化加工技术.2019
[3].郝占军,颜丽华,党小超.基于信道状态信息的被动式目标轨迹跟踪方法[J].传感技术学报.2019
[4].刘创.无人驾驶车辆多目标容错跟踪与轨迹预测研究[D].浙江大学.2019
[5].陈旭璇,万潇月,叶桦.基于机载光电平台的目标跟踪与轨迹预测算法[J].电光与控制.2019
[6].张立阳,陈奕梅.轮式机器人视觉伺服轨迹跟踪目标控制研究[J].计算机仿真.2018
[7].仲莲花.基于轨迹预测的无线传感网目标跟踪技术研究[D].南京邮电大学.2018
[8].隗寒冰,陈尧,贾志杰,赖锋.融合历史轨迹的智能汽车城市复杂环境多目标检测与跟踪算法[J].西安交通大学学报.2018
[9].周奇.基于多特征的轮船运动目标跟踪及轨迹获取方法[D].北方工业大学.2018
[10].杨露.基于轨迹片段集的视频多目标跟踪关键技术研究[D].电子科技大学.2018