导读:本文包含了遮挡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:目标跟踪算法,Kalman,抗遮挡,矩形框
遮挡跟踪论文文献综述
周越,宿佳钰,蒋柯[1]（2019）在《基于改进型的抗遮挡运动目标跟踪算法》一文中研究指出针对遮挡发生情况下的运动目标跟踪,采用Mean Shift算法进行研究与改进。在跟踪运动目标时,跟踪环境中经常会存在一些无法规避的遮挡。仅使用传统的Mean Shift算法易发生目标丢失的情况,所以提出了一种结合Kalman预测机制的改进型的抗遮挡Mean Shift算法。这种改进型的Mean Shift算法可以在发生遮挡时,对运动目标轨迹进行合理预测。在遮挡环境下,结合Kalman后的算法会更加有效的跟踪运动目标,迭代次数减少,并提高了跟踪的稳健性。(本文来源于《电子世界》期刊2019年22期）
高炳辉[2]（2019）在《行人目标跟踪的遮挡问题研究》一文中研究指出行人目标跟踪作为一项重要的基础性技术,在现实生活中的很多领域都有着非常重要的应用价值和应用前景。在目前所建设的平安城市的安防视频监控系统中,行人目标的跟踪是实现行为分析等智能分析的关键。然而,在实际应用场景中,因环境的复杂性,导致了行人目标跟踪准确率的保证非常困难,其中最突出的问题,就是在跟踪过程中,因行人被遮挡,导致的行人外观特征发生变化而导致跟踪失败。针对行人目标跟踪系统中,由于行人遮挡导致行人识别效果差的问题,本文展开了研究,通过深度学习生成对抗网络,构建行人去遮挡预估模型。在分析了生成对抗网络对行人去遮挡的局限性的基础上,本文提出了一种利用双输入生成式对抗网络修复受遮挡行人的方法,首先,提取受遮挡行人的姿态,结合其外观,构建姿态与外观单独编码生成器,将生成器信息融合后,训练判别器,构建行人去遮挡网络模型。此外,在模型中引入注意力机制,提升网络对环境的抗干扰性,由此获得更好的去遮挡效果,提高行人再识别的准确性。为了进一步提升去遮挡模型的效果,本论文还提出了利用骨骼预测模型优化去遮挡模型的方案。首先,预测受遮挡的行人的骨骼信息,构建骨骼模型;其次,将图像与预测出的骨骼模型分别输入各自对应的编码器,将生成的特征拼接后输入解码器生成预测图像;然后将生成图像与真实图像输入判别器来指导编码解码器生成去遮挡的行人图像;最后利用训练好的编码、解码器来修复受遮挡的行人,将去遮挡后的行人图像输入到行人识别分类网络得到识别跟踪预测结果,完成对行人的跟踪。本文算法在Market-1501数据集上的实验结果,验证了算法的有效性。(本文来源于《西安理工大学》期刊2019-06-30）
李健宁,曹文君,刘晓利[3]（2019）在《结合多尺度改进颜色特征应对遮挡的跟踪算法》一文中研究指出针对目标跟踪所面临难题中的遮挡及尺度变化等问题,在相关滤波算法CN的基础上提出了一种在多尺度下改进颜色特征的目标跟踪算法。首先,在检测阶段提取搜索区域CN的同时提取梯度直方图特征,生成多通道特征,自适应的融合两种特征信息,并对图像特征信息采用降维压缩技术,来提升跟踪速度。其次,采用尺度金字塔原理对目标遮挡及尺度变化的目标进行搜索和自适应跟踪。实验结果表明:改进后的算法在非语义遮挡、语义遮挡及尺度变化等情况下均有较高的鲁棒性。因此,融合多种特征可以更好地描述目标图像信息,提高跟踪器的精度和鲁棒性,而多尺度比较可以实现在发生目标遮挡后在一定范围内搜索目标,保证跟踪效果。(本文来源于《兵器装备工程学报》期刊2019年06期）
岳昊恩,袁亮,吕凯[4]（2019）在《结合帧差法与Mean Shift的抗遮挡跟踪算法》一文中研究指出针对目标严重遮挡后,运动状态发生改变时,传统的基于运动预测的算法无法有效跟踪的问题,提出一种基于帧差法的改进算法。引入巴氏系数(Bhattacharyya)作为目标是否发生遮挡的判据;当发生遮挡时,帧差法检测目标,再次检测到目标时将此位置作为Mean Shift迭代的起始位置;最后正常跟踪时采用卡尔曼滤波预测目标位置,减少迭代次数。实验结果表明,当目标在严重遮挡后,运动状态改变时,基于运动预测的算法将无法跟踪目标,改进算法能够重新跟踪目标。(本文来源于《现代电子技术》期刊2019年12期）
梁宵,沈茂先,陈国栋[5]（2019）在《一种抗遮挡的时空上下文目标跟踪》一文中研究指出目标跟踪是一个比较热门的研究方向,其性能受到多方面影响。时空上下文跟踪算法是利用目标附近的信息对目标进行跟踪,但该算法的不足是仅使用单一的灰度特征和固定的学习率。将HOG(Histogram of Oriented Gradient)特征与灰度特征进行融合,且对跟踪结果进行相似度计算进而抑制目标的漂移,采用自适应变化的学习率以适应跟踪目标的变化。经过仿真实验证明,相较于时空上下文跟踪算法所提出的方法鲁棒性更好,对光照的变化、目标形变以及遮挡等情况下都具有较强的跟踪能力。(本文来源于《火力与指挥控制》期刊2019年06期）
曹洁,王振莹,李伟[6]（2019）在《抗遮挡的鸡群优化粒子滤波目标跟踪方法》一文中研究指出针对遮挡情况下粒子滤波算法因粒子贫化而导致目标跟踪精度下降的问题,提出一种抗遮挡的鸡群优化粒子滤波跟踪方法.首先将粒子权值作为适应度来确定粒子的种类及关系,通过不同类型粒子的移动机制来完成位置更新;然后引入线性递减权重策略和向种群中最优个体学习部分来克服鸡群优化局部最优问题,并选择似然函数值最大的区域作为目标;最后,采用模板更新来继续遮挡情况下的跟踪.理论分析和实验结果表明,该算法相比于基本鸡群优化粒子滤波和粒子滤波跟踪方法,对遮挡目标具有良好的鲁棒性且跟踪精度较高.(本文来源于《微电子学与计算机》期刊2019年06期）
陈听海[7]（2019）在《基于特征重检的抗遮挡目标跟踪》一文中研究指出视觉目标跟踪在计算机视觉中是一个不可忽视的科研重点与难点。由于跟踪过程中面临着遮挡、目标姿态尺度变化、摄影机抖动、目标快速运动等诸多挑战,已有的视频目标跟踪算法虽然数量较多,且各有所长,但仍存在着改进的潜力与空间。在众多跟踪算法中,TLD(Tracking-Learning-Detection)目标跟踪算法使用跟踪模块与检测模块协同的策略进行跟踪,并引入PN学习方法进行在线调整,实现了对单目标长期的跟踪,但该算法在目标发生遮挡时易出现错判现象。本文着重分析与研究了上述TLD目标跟踪算法,通过叁个模块的相互配合,TLD算法形成值得借鉴的系统框架。其中跟踪模块通过LK光流法对下一帧目标的出现位置进行预测;检测模块使用滑动窗口扫描和级联分类器的机制进行筛选,得出下一帧中目标候选位置;学习模块引入P-N学习机制,对样本库中正负样本进行纠正和补充,使用精妙的整合策略综合前两个模块的结果进行决策,得到跟踪目标在当前帧的最终位置,并反馈给跟踪模块与检测模块。本文在TLD基础上,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),通过引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判的问题,采用跟踪、检测、学习、再检测的策略。跟踪与检测协同,在线学习目标信息,获取最新轮廓特征;根据跟踪模块和检测模块对当前帧的计算状态,判断是否有遮挡现象,当发生遮挡时,提取出遮挡过程的“遮挡开始”和“遮挡结束”两个关键帧。在“遮挡开始”帧进行特征重检预处理,记录遮挡开始前目标状态;在“遮挡结束”帧进行特征重检,使用SIFT特征进行正反双向特征匹配标定目标,结合遮挡前的状态进行标定以确保重新标定的目标为原被遮挡的跟踪目标,并利用特征重检的结果去更新跟踪与检测模块,即“再检测”。最后,在基准测试集OTB(Object Tracking Benchmark)上的实验表明,与经典跟踪算法相比较,本文提出的TLD-D算法在抗遮挡性能表现优秀,遮挡阶段恢复后,可继续对目标稳定跟踪。(本文来源于《湘潭大学》期刊2019-06-05）
王振莹[8]（2019）在《遮挡及尺度变化条件下目标跟踪方法研究》一文中研究指出视觉目标跟踪技术是计算机视觉一个研究热点,在智能监控、人机交互、智能交通、无人机等领域有着广泛的应用。随着计算机技术的发展,研究人员提出了许多优秀的理论和跟踪算法,提高了跟踪的准确性和鲁棒性。然而在实际跟踪场景中,由于目标受到遮挡及尺度变化等因素的影响,往往导致跟踪漂移,最后致使跟踪精度下降甚至跟踪失败。本文在粒子滤波和核相关滤波跟踪算法的基础上,依次从抗遮挡的粒子滤波算法改进、分块核相关滤波的尺度自适应估计及模型更新优化叁个方面进行了研究,具体内容如下:1.研究遮挡情况下粒子滤波稳健跟踪方法。针对遮挡情况下粒子滤波因粒子贫化问题导致的目标跟踪精度下降问题,提出了一种抗遮挡的鸡群优化粒子滤波目标跟踪方法。首先将鸡群算法融入粒子的采样阶段,即将粒子权值作为适应度来确定粒子的种类及关系,通过不同类型粒子的移动机制来完成位置更新,然后引入线性递减权重和全局最优学习策略解决算法存在的局部最优问题,并选择似然函数值最大的区域作为目标位置,最后结合模板更新来继续遮挡情况下的跟踪。2.研究基于核相关滤波的子块联合估计尺度自适应的跟踪框架。针对核相关滤波跟踪算法抗干扰能力不强,易受到遮挡及尺度变化等外界因素干扰造成的跟踪精度下降问题,提出了一种分块策略改进的尺度自适应核相关滤波跟踪方法。首先根据跟踪框的几何特性对目标进行自适应二分块,并采用核相关滤波对各子块执行独立跟踪得到对应的响应图,然后计算子块的权值和相对于目标整体的偏移向量来对目标位置进行估计,最后采用尺度因子对候选目标的整体尺度进行最优估计。3.研究核相关滤波框架下模型更新优化方法。针对遮挡及尺度变化场景下,核相关滤波算法模板更新过程中易将遮挡等噪声信息引入模板导致的模板漂移问题,本文在分块策略改进的尺度自适应核相关滤波跟踪框架的基础上,提出了一种联合响应峰值和平均峰值相关能量判定的遮挡检测方法。首先计算子块的响应峰值和平均峰值相关能量两个指标值,然后结合对应的阈值判定结果作为模板更新的判据,实现模板的自适应更新。(本文来源于《兰州理工大学》期刊2019-06-02）
张霄峰[9]（2019）在《被遮挡目标的检测与跟踪算法研究》一文中研究指出随着智慧城市概念的提出,以及越来越多的亟需解决的公共安全问题,大量的监控摄像头出现在人们的视野之中,从而产生海量的视频数据。大数据时代的到来、深度学习技术的发展都为处理、分析这些视频和图像数据提供了很好的技术基础。在监控视频中检测出人们感兴趣的目标是智能视频监控系统的重要环节,只有准确地检测出目标,才能更好地完成后续的跟踪、分析等任务。在实际的场景中,检测与跟踪会面临非常复杂的情况,图像中往往出现大量的被严重遮挡的目标,这种现象会对目标的检测与跟踪的效果有所影响。为此,针对目标检测与跟踪中的遮挡问题,提出一种基于全局平均池化(Global Average Pooling,GAP)的对抗Faster-RCNN模型,提升系统对被遮挡目标的检测与跟踪能力。主要研究内容如下:(1)通过对卷积神经网络可视化和遮挡敏感性进行分析,观察遮挡目标的特征,发现遮挡敏感性的一些规律。进而采用全局平均池化与Faster-RCNN融合来定位Faster-RCNN中的前景目标的特征中类依赖部分,并通过实验进行了分析与论证。(2)基于以上分析,本文采用挖掘困难样本的策略来强化Faster-RCNN。采用屏蔽全局平均池化定位的特征中的类依赖部分,形成困难样本特征。根据金字塔池化的原理,将困难样本特征与正常样本特征进行多尺度融合,从而减轻过拟合的影响。并参考Fast-RCNN与区域建议网络(Region Proposal Network,RPN)交替训练的方法,采用Faster-RCNN与全局平均池化部分联合交替训练的策略来训练整个模型。利用预训练的Faster-RCNN初始化全局平均池化部分,最后将训练好的全局平均池化与Faster-RCNN融合,进行联合交替训练。(3)根据目标检测算法评价指标评估算法,并与其它算法进行对比,验证了本文的方法能提高目标检测算法对严重遮挡的目标的检测能力对抗。(4)提出基于全局平均池化Faster-RCNN的目标跟踪算法,利用其对新一帧的图像进行检测,跟踪算法负责对不同帧的目标进行匹配。最后展示了算法效果,并与基于未改进的Faster-RCNN的目标跟踪算法进行了对比。本文通过实验验证了提出的目标检测改进算法的可行性和有效性,此算法有助于提高目标检测与跟踪算法的检测跟踪能力,一定程度上克服了遮挡问题造成的目标无法检测等问题。(本文来源于《山东大学》期刊2019-05-11）
崔洲涓,安军社,崔天舒[10]（2019）在《基于多层深度卷积特征的抗遮挡实时跟踪算法》一文中研究指出为提高复杂场景中目标跟踪算法的准确性与实时性,提出一种基于多层深度卷积特征的抗遮挡实时目标跟踪算法。针对目标跟踪任务,先对深度卷积网络VGG-Net-19进行微调,再提取目标区域的多层深度卷积特征。根据相关滤波框架构建位置相关滤波器,确定目标中心位置。设计尺度相关滤波器对目标区域进行不同尺度采样,确定目标尺度。目标遮挡时,采用阶段性评估策略进行模型更新与恢复,解决模型误差积累问题。选取目标跟踪评估数据集OTB-2015(100组视频序列)与UAV123(123组视频序列)进行测试。实验结果表明,本文算法具有更高的准确性,能够适应目标遮挡、外观变化及背景干扰等复杂情况,平均速度为29.6 frame/s,满足目标跟踪任务的实时性要求。(本文来源于《光学学报》期刊2019年07期）
遮挡跟踪论文开题报告
（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：
行人目标跟踪作为一项重要的基础性技术,在现实生活中的很多领域都有着非常重要的应用价值和应用前景。在目前所建设的平安城市的安防视频监控系统中,行人目标的跟踪是实现行为分析等智能分析的关键。然而,在实际应用场景中,因环境的复杂性,导致了行人目标跟踪准确率的保证非常困难,其中最突出的问题,就是在跟踪过程中,因行人被遮挡,导致的行人外观特征发生变化而导致跟踪失败。针对行人目标跟踪系统中,由于行人遮挡导致行人识别效果差的问题,本文展开了研究,通过深度学习生成对抗网络,构建行人去遮挡预估模型。在分析了生成对抗网络对行人去遮挡的局限性的基础上,本文提出了一种利用双输入生成式对抗网络修复受遮挡行人的方法,首先,提取受遮挡行人的姿态,结合其外观,构建姿态与外观单独编码生成器,将生成器信息融合后,训练判别器,构建行人去遮挡网络模型。此外,在模型中引入注意力机制,提升网络对环境的抗干扰性,由此获得更好的去遮挡效果,提高行人再识别的准确性。为了进一步提升去遮挡模型的效果,本论文还提出了利用骨骼预测模型优化去遮挡模型的方案。首先,预测受遮挡的行人的骨骼信息,构建骨骼模型;其次,将图像与预测出的骨骼模型分别输入各自对应的编码器,将生成的特征拼接后输入解码器生成预测图像;然后将生成图像与真实图像输入判别器来指导编码解码器生成去遮挡的行人图像;最后利用训练好的编码、解码器来修复受遮挡的行人,将去遮挡后的行人图像输入到行人识别分类网络得到识别跟踪预测结果,完成对行人的跟踪。本文算法在Market-1501数据集上的实验结果,验证了算法的有效性。
（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。
遮挡跟踪论文参考文献
[1].周越,宿佳钰,蒋柯.基于改进型的抗遮挡运动目标跟踪算法[J].电子世界.2019
[2].高炳辉.行人目标跟踪的遮挡问题研究[D].西安理工大学.2019
[3].李健宁,曹文君,刘晓利.结合多尺度改进颜色特征应对遮挡的跟踪算法[J].兵器装备工程学报.2019
[4].岳昊恩,袁亮,吕凯.结合帧差法与MeanShift的抗遮挡跟踪算法[J].现代电子技术.2019
[5].梁宵,沈茂先,陈国栋.一种抗遮挡的时空上下文目标跟踪[J].火力与指挥控制.2019
[6].曹洁,王振莹,李伟.抗遮挡的鸡群优化粒子滤波目标跟踪方法[J].微电子学与计算机.2019
[7].陈听海.基于特征重检的抗遮挡目标跟踪[D].湘潭大学.2019
[8].王振莹.遮挡及尺度变化条件下目标跟踪方法研究[D].兰州理工大学.2019
[9].张霄峰.被遮挡目标的检测与跟踪算法研究[D].山东大学.2019
[10].崔洲涓,安军社,崔天舒.基于多层深度卷积特征的抗遮挡实时跟踪算法[J].光学学报.2019