导读:本文包含了目标计数论文开题报告文献综述及选题提纲参考文献，主要关键词:压缩感知,功率场,线性Bregman算法,最大值
目标计数论文文献综述
季章生,肖本贤[1]（2019）在《基于压缩感知重建功率场的快速多目标计数与定位》一文中研究指出为提高传统的基于字典压缩感知定位算法的效率以及减少对信道环境的依赖性,提出一种基于压缩感知重建功率场的快速多目标计数与定位算法。首先将由测量矩阵与离散余弦变换基相乘得到的传感矩阵进行预处理,使得新的传感矩阵满足约束等距性条件,然后利用线性Bregman算法求出迭加功率场,最后从迭加功率场中的最大值找到目标位置并逐步剥离每个目标的功率场来进行稀疏目标计数与定位。实验结果表明,相比于基于字典的压缩感知定位算法,该算法在在目标数为14时,虚警概率和丢失概率分别能控制在0.03和0.063以内,平均响应时间低于0.038 2 s,在满足基本的定位要求下能够更快速地计数和定位。(本文来源于《电子测量与仪器学报》期刊2019年10期）
张歌[2]（2019）在《基于密度函数估计的高密图像目标计数算法研究》一文中研究指出随着当今技术的迅速发展和理论的不断深入,智能化图像处理与分析已经成为一个非常重要且活跃的研究领域。智能图像分析主要是研究图像和视频中特定的目标对象的分类,检测和语义分割。目标计数也是图像分析中的一项重要研究内容,低密度图像目标计数通常可以通过目标检测算法实现,高密度目标计数其计数精度仍然有限,虽然近年来深度学习在高密度图像计数领域获得了广泛的关注,但深度学习对硬件平台要求较高,如何在较低性能的计算平台中实现一种具有更高的精准度和更好的鲁棒性的高密度计数算法仍然具有很强的实践价值,本文主要研究内容总结如下:1.通过2D高斯核函数,构建密度函数模型来对真实密度进行估计。在高密计数数据集上,根据标定数据中每个训练样本中的像素点定义一个真实密度函数。通过在每个像素点中提取图像的特征向量,并利用高斯模板卷积与高斯函数对真实密度进行建模,进一步使用L2正则化控制参数范围,从而获得最优密度参数模型,最终得到密度估计的积分值,并根据密度估计的积分值计算出相对准确的目标对象数量。2.基于构建的密度函数参数模型,本文使用了叁种不同类型数据集进行实验,并使用两个评估标准以验证提出的模型在不同高密度场景下目标计数的准确性和鲁棒性。实验结果证明,相比较于传统的回归计数方法,本文提出的方法计数的准确率更高,具有更大的优势与效率。而相对于基于深度学习的计数方法,本文提出的模型需要的硬件要求更低,计算时间更少,更适用于嵌入式等性能较低的计算平台。(本文来源于《安徽大学》期刊2019-05-01）
杨国欣[3]（2019）在《基于Adaboost算法和视觉显着性的羊只目标检测与计数方法研究》一文中研究指出智能化管理是规模化养殖的基础和发展方向。为实现羊场的智能化和规模化建设,提高羊场管理效率,本文以西北农林科技大学畜牧教学试验基地的奶山羊养殖场图像为研究对象,基于自适应增强算法(Adaboost)和视觉显着性实现了羊场图像的羊只目标检测与计数。本文的主要研究内容与结论有:(1)数据集的采集与标注。为满足对羊场中运动场和羊舍两个不同区域目标检测的需要,首先在羊场搭建远程视频监控设备以获取大量羊场视频;然后经过视频分段、关键帧提取与筛选,分别建立了运动场和羊舍的数据集;最后利用Labelme软件对数据集中的羊只进行标注,生成正负样本用于运动场图像中的羊只目标检测,生成真值图(GroundTruth)用于羊舍图像中羊只目标检测。(2)运动场图像中羊只目标检测。针对运动场图像易受光照强度影响的问题,利用局部二值模式(LBP)特征构造了基于多分支结构的弱分类器;针对羊只间存在遮挡易被漏检的问题,改进了Adaboost算法,并将多个强分类器级联,以提高检测准确率;针对羊只目标颜色较为单一的特点,基于H分量灰度化并分割图像,以提高检测速度。实验结果表明,与其他分量相比,本文基于H分量的图像分割方法,准确率最高,且对光照的鲁棒性最强,且本文目标检测结果优于与其对比的两种基于传统特征的方法,检测准确率可达84.3%。(3)羊舍图像中羊只目标检测。针对羊舍图像中羊只目标颜色单一的特点和存在多个目标的问题,对快速最小障碍距离算法(FastMBD)进行改进,估计背景先验显着图;针对羊舍图像背景中干扰较多的问题,基于密度聚类算法(DBSCAN)划分超像素,并利用优化的方法选取前景种子,最终基于流行排序算法估计前景先验显着图;针对生成的背景和前景先验显着图,采用指数融合方法生成显着图,并采用基于数学形态学的方法进行后处理。实验结果表明,本文方法在主观和客观的准确率-召回率曲线、平均准确率和平均召回率等评价指标方面均优于常用的7种显着目标检测方法。(4)羊只目标计数。运动场图像可在获得检测结果时直接统计检测到的和误检的羊只数,针对无法直接计数的羊舍目标检测结果,采用基于K均值聚类算法(K-Means)的阈值分割方法进行图像分割;针对分割结果中一个连通区域内可能存在羊只间相互遮挡的问题,基于8连通准则对分割结果中的连通区域进行标记,并基于比例因数法实现羊只计数。实验发现,本文分割方法在羊舍数据集和ECSSD数据集上均优于常用的6种图像分割方法,平均准确率可达89.50%,羊只计数的准确率可达79.70%。综上所述,本文基于Adaboost算法和视觉显着性实现了羊场的目标检测及计数,对于促进奶山羊的规模化养殖,提升奶山羊养殖的智能化管理水平,实现奶山羊的“健康养殖”具有重要的理论和现实意义。(本文来源于《西北农林科技大学》期刊2019-05-01）
刘旭[4]（2018）在《视频监控中的目标计数方法研究》一文中研究指出随着社会经济的飞速发展,公共安全已经成为全民关注的热点问题,视频监控技术随之得到了广泛的普及。如今,智能视频监控系统已经大量应用在交通路口、火车站、机场、大型商场、广场等公共场所。作为智能视频监控领域中的重要内容,目标计数在实际生活中有着大量的应用场景,准确的估计出目标在图像中的具体数目是相关任务的关键。在智能交通系统中,准确的估计出交通场景中的车辆数目可以为交通管理部门进行公共交通管理提供重要依据;统计商场的客流量信息可以帮助商家进行科学的资源分配;对大型公共场所的人群密度进行监控可以及时发现安全隐患并提供预警。计数任务的目标是让计算机准确的估计出图像中的相关物体数量。根据应用数据来源的不同,可以将目标计数任务分为视频中的目标计数和单一图片中的目标计数。本文分别针对这两方面进行了深入研究,根据实际应用场景的不同特性,分析了已有算法所存在的问题,提出了具有针对性的目标计数算法。本文的主要研究工作和贡献可概括如下:1)针对视频中的目标计数问题,本文重点考虑交通视频中的车辆计数问题。目前,基于视频图像的目标计数算法大多是在像素域中进行的,像素域中包含丰富的可提取信息,可以取得较为精确的计数结果。然而,在实际监控系统中,监控视频数据一般是以压缩的形式进行传输和储存的,像素域处理方法需要先将压缩域数据完全解压之后才能进行,算法复杂度高。对此,本文提出了一种直接在压缩域视频中进行车辆计数的方法。首先,为了解决压缩域中的信息不足和噪声干扰问题,提出了多样化的丰富特征提取方法,充分利用了压缩视频流中的运动矢量和宏块编码模式信息。其次,针对实际交通场景复杂多变的特性,提出了一种基于分层分类的回归模型来进行车辆计数,将复杂场景逐步细化,并采用特定模型实现精确计数。最后,在实际交通数据集上的结果表明,所提压缩域算法不仅能达到更高的运行效率,同时在精度上与传统像素域方法也有着相当的表现。2)相比于像素域处理,压缩域本身存在着信息量不足以及噪声干扰的问题,仅在单独一帧上进行回归计数难以保证结果的稳定性。为了解决这个问题,本文提出了 一种基于空间与时间回归的压缩域车辆计数模型。具体来说,先通过空间维度回归在单一视频帧上进行车辆数目估计,再利用目标数量在时间维度上的连续性约束信息建立时间维度上的回归模型,学习车辆密度在局部时间序列上的变化模式,对空间回归的计数结果进一步优化,实现更加精确的压缩域计数。在实际交通数据集上的结果证明了所提压缩域算法的有效性。3)针对单一图片中的目标计数问题,本文提出了一种基于深度卷积神经网络的目标计数框架,利用卷积神经网络模型强大的非线性建模能力进行目标计数。该方法直接学习从原始图片到目标密度分布图的映射,为每个像素点分配一个对应的密度值,图片中各个区域的目标数目可以通过对密度图直接积分得到。为了提高模型的鲁棒性,提出采用空间金字塔池化方法对提取的深度模型特征进行鲁棒性增强,得到了更好的特征表示。此外,为了生成更好的目标密度分布图,提出了一种金字塔分层计数模型,充分利用了卷积神经网络模型中固有的多层级金字塔结构,进一步提高了模型性能。在多个代表性数据集上的实验结果验证了所提算法的有效性。总结起来,本文针对视频监控场景中的目标计数问题进行了深入探索和研究,结合实际应用场景的具体特性,提出了两类目标计数框架,即压缩域视频中的目标计数框架和基于卷积神经网络的金字塔计数网络框架。多个典型数据集上的实验证明,本文在提高目标计数方法的实时性和鲁棒性等方面取得了很好的效果,相较于已有算法均取得了明显进步,展示了其实际应用价值。(本文来源于《中国科学技术大学》期刊2018-05-01）
葛昭阳[5]（2018）在《基于目标检测和密度分布的复杂场景人群计数》一文中研究指出随着人口规模和社会经济的快速增长,人们在公共场所的社会活动越来越普遍,如文化娱乐、体育赛事、政治集会等,由此引发的群体性事件也日趋增多,公共场所的安全问题变得尤为重要。因此,建立一个智能人群分布监控系统,实时动态地对聚集人群进行监测分析,发现人群异常状况并发出预警信息,对管理者提前采取相应措施、避免恶性事件发生具有重要现实意义。人群数量及分布统计是分析人群态势变化的关键因素之一。公共区域内情况复杂,人群分布具有较强的随机性,使得针对特定区域内的人群数量及分布估计、态势分析变得异常困难。具体地,在监控视频覆盖范围往往较大,拍摄图像景深较大,近景远景人群密度差异大并且分布随机。比如近景区域人群密度虽然较低、聚集较少,但分布散乱;而远景区域存在大量聚集、遮挡严重的情况。基于以上分析,本论文提出一种基于目标检测和密度估计的方法对人群数量及分布进行估计,来提高公共区域人群计数的精度,并扩展人群计数算法的场景适用性。本论文首先利用一种基于图像深度信息引导的图像分割方法,将图像分为近景区域和远景区域两部分,然后对两个区域分别进行基于目标检测的人群统计和基于密度估计的人群统计。对于近景区域,我们提出了一种基于目标检测的方法计算低密度人群数量,该算法针对非密集场景可以进行实时场景中人群计数,不但可以直接输出人数还可以输出个体所在图像的具体位置;针对远景人群较为密集的情况,首先根据神经网络得出远景中的密度图,再通过密度图进行积分来求出高密度场景的人数,最终系统输出两者之和得到全局人数估计。实验结果表明,本文提出的基于检测和密度分布联合的复杂场景人群密度估计的算法,在不同的数据集上验证均取得到了良好的实验结果可以准确地估计不同场景下的人群数据及分布,为公共安全管理提供真实有效的数据支撑。(本文来源于《郑州大学》期刊2018-05-01）
梁炎森,张天昊,何志毅[6]（2017）在《畜牧养殖场图像远程采集与目标计数系统》一文中研究指出针对畜牧储备政策补贴管理中由于养殖场分散和偏远所致畜牧储备数目统计困难的问题,建立了养殖场图像远程采集与目标计数系统。以生猪为实验目标,采用中值滤波和区域生长法进行图像分割,利用基于纹理特征的滤波方法排除颜色灰度相似背景的干扰,实现了远程视频采集的养殖场图像识别计数。该系统的平均识别率在85%左右,能够较准确地识别目标,实现畜牧产品数量的自动计数,可满足一般工程应用中的畜牧产品实时计数的要求。(本文来源于《桂林电子科技大学学报》期刊2017年06期）
刘冠楠[7]（2017）在《目标识别技术在种子计数方法中的研究》一文中研究指出农作物种子作为特殊的商品,在农业生产中具有不可替代的作用。农作物种子的千粒重是体现种子大小与饱满程度的一项关键指标,是检验种子质量的衡量标准。千粒重的测量是以种子计数为基础,而在短时间内精确统计出农作物种子颗粒的数目是一项比较复杂的任务。如今我国主要以人工计数及光电管计数两种方式对农作物数目进行统计,但上述两种计数方法都存在精度低、成本高的缺点。针对此问题,本课题将数字图像处理与目标识别两项技术作为基础,以农作物种子的识别及统计为目的,完成种子数目统计过程的算法研究,并且以Matlab为仿真工具,实现粘连种子的计数。首先,根据研究背景选择在农作物产量中居于首位的玉米种子作为研究对象,对其进行图像灰度化,图像增强等必需的预处理操作;其次,介绍几种经典的图像分割算法,根据玉米种子图像的特点及算法优势选择模糊C均值聚类算法对图像进行分割,并提出面向邻域灰度及空间特征加权的FCM以实现图像中种子目标和背景的更好分离;然后,对仍存在深度粘连情况的玉米种子采用特征提取及连通区域标记,将得到的有效特征作为向量输入到已优化好核参数的RBF核构成的SVM中,从而实现对图像中种子粘连类型的识别;最后,在种子粘连分类的基础上按照预先规定的计数规则进行分割并计数。通过Matlab对不同数目的种子进行大量仿真测试,结果表明本研究用于统计农作物种子颗粒数目时,计数精度较高,且耗时较短,在计算农作物种子颗粒的千粒重指标及对农业生产领域有着实际的指导意义和普遍的运用价值。(本文来源于《沈阳理工大学》期刊2017-12-01）
杨思星,郭艳,刘杰,孙保明[8]（2018）在《基于动态格点的压缩感知目标计数和定位算法》一文中研究指出基于压缩感知技术的无线传感器网络定位,一般将定位区域划分为一定数目的网格并假定目标位于网格中心,然后通过求解一个1范数最小化问题来获得目标的位置。事实上,目标的随机性导致其很难位于网格中心,此时假定的变换基将无法稀疏表示位置信号,从而造成字典失配,使得定位精度下降。因此,提出一种基于动态格点的压缩感知定位算法。该算法能够自适应地调整格点的划分,使目标位于网格中心处。在求解过程中,该算法将复杂的优化问题转化成字典的更新和位置向量的求解两个部分的迭代来完成,同时实现了目标的计数和定位功能。仿真结果证明,与传统的压缩感知定位算法相比,所提算法在目标计数和定位方面都有更好的性能。(本文来源于《计算机科学》期刊2018年01期）
李明飞,杨然,霍娟,赵连洁,杨文良[9]（2015）在《基于光子计数的合作目标“量子”成像》一文中研究指出在实验上研究了赝热光照明下,基于光子计数模式的合作目标"量子"成像,并给出理论模型和解释.研究表明,利用光子计数的单光子探测器代替以往光强度线性探测器作为桶探测器在"量子"成像中同样适用.实验发现,合作目标的反射信号可穿透弱散射介质实现成像,该技术在减小光学成像透镜孔径方面具有潜在的应用价值.对比了基于强度关联成像和压缩感知算法的"量子"成像结果,并得出实用性结论.本文的方案为"量子"成像的实际应用提供了新方法.(本文来源于《物理学报》期刊2015年22期）
陆敏怡,邓亚男[10]（2015）在《幼儿园数学教育目标体系的再认识——计数》一文中研究指出幼儿对数概念的理解是数学学习的基础,而幼儿对数概念的理解是在计数和辨认各组实物的"多少"中发展的。幼儿在爬楼梯、分糖豆、摆桌椅时都喜欢数一数。正是通过这种反复数数的经验,使他们掌握了基本的数概念。遗憾的是,教师往往对幼儿的计数活动重视不足。什么是计数在实践中,成人有时会高估幼儿的计数能力,认为幼儿能很流利地数到很大的数,就代表数概念水平甚至数学能力比较高,把计数能力的发展等同于对数的实际意义的理解;有时(本文来源于《学前教育》期刊2015年06期）
目标计数论文开题报告
（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：
随着当今技术的迅速发展和理论的不断深入,智能化图像处理与分析已经成为一个非常重要且活跃的研究领域。智能图像分析主要是研究图像和视频中特定的目标对象的分类,检测和语义分割。目标计数也是图像分析中的一项重要研究内容,低密度图像目标计数通常可以通过目标检测算法实现,高密度目标计数其计数精度仍然有限,虽然近年来深度学习在高密度图像计数领域获得了广泛的关注,但深度学习对硬件平台要求较高,如何在较低性能的计算平台中实现一种具有更高的精准度和更好的鲁棒性的高密度计数算法仍然具有很强的实践价值,本文主要研究内容总结如下:1.通过2D高斯核函数,构建密度函数模型来对真实密度进行估计。在高密计数数据集上,根据标定数据中每个训练样本中的像素点定义一个真实密度函数。通过在每个像素点中提取图像的特征向量,并利用高斯模板卷积与高斯函数对真实密度进行建模,进一步使用L2正则化控制参数范围,从而获得最优密度参数模型,最终得到密度估计的积分值,并根据密度估计的积分值计算出相对准确的目标对象数量。2.基于构建的密度函数参数模型,本文使用了叁种不同类型数据集进行实验,并使用两个评估标准以验证提出的模型在不同高密度场景下目标计数的准确性和鲁棒性。实验结果证明,相比较于传统的回归计数方法,本文提出的方法计数的准确率更高,具有更大的优势与效率。而相对于基于深度学习的计数方法,本文提出的模型需要的硬件要求更低,计算时间更少,更适用于嵌入式等性能较低的计算平台。
（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。
目标计数论文参考文献
[1].季章生,肖本贤.基于压缩感知重建功率场的快速多目标计数与定位[J].电子测量与仪器学报.2019
[2].张歌.基于密度函数估计的高密图像目标计数算法研究[D].安徽大学.2019
[3].杨国欣.基于Adaboost算法和视觉显着性的羊只目标检测与计数方法研究[D].西北农林科技大学.2019
[4].刘旭.视频监控中的目标计数方法研究[D].中国科学技术大学.2018
[5].葛昭阳.基于目标检测和密度分布的复杂场景人群计数[D].郑州大学.2018
[6].梁炎森,张天昊,何志毅.畜牧养殖场图像远程采集与目标计数系统[J].桂林电子科技大学学报.2017
[7].刘冠楠.目标识别技术在种子计数方法中的研究[D].沈阳理工大学.2017
[8].杨思星,郭艳,刘杰,孙保明.基于动态格点的压缩感知目标计数和定位算法[J].计算机科学.2018
[9].李明飞,杨然,霍娟,赵连洁,杨文良.基于光子计数的合作目标“量子”成像[J].物理学报.2015
[10].陆敏怡,邓亚男.幼儿园数学教育目标体系的再认识——计数[J].学前教育.2015
标签：压缩感知; 功率场; 线性Bregman算法; 最大值;