导读:本文包含了图像运动目标检测论文开题报告文献综述及选题提纲参考文献，主要关键词:运动目标检测,高斯混合模型,均值
图像运动目标检测论文文献综述
吕苗苗,孙建明[1]（2019）在《基于改进高斯混合模型的运动图像目标检测算法》一文中研究指出运动图像目标检测指的是从序列图像中将变化的目标从背景中分离出来,高斯混合模型可以对视频序列图像的前景和背景进行分类,再利用背景减除实现运动目标的检测。提出一种基于改进高斯混合模型的优化背景建模方法,该方法首先利用3×3模板对序列图像帧中的像素进行类似卷积的均值计算,然后利用相邻均值的差提取均差因子自适应更新图像的均值。在此基础上,设计了自适应学习率和学习速率,利用改进高斯混合模型实现序列图像的背景建模。改进模型不仅能有效减少数据计算量,同时可以降低在相似区域像素计算的时长,大大加快背景建模速度。实验结果表明,改进模型在目标检测、算法执行速率等性能指标上都有更好的表现,能满足实时检测要求。(本文来源于《半导体光电》期刊2019年06期）
许冰,肖海峰,高飞[2]（2019）在《基于无人机序列图像的全局运动目标检测》一文中研究指出无人机在执行图像采集任务时,系统与目标之间产生的相对运动会引起序列图像相邻帧坐标系的全局变化,导致常用方法无法准确检测目标。因此,提出了基于无人机序列图像的全局运动目标检测方法。该方法利用时域、空间域与频域的特点以及优势互补原理,选取运动特征、颜色整合特征、亮度特征和频谱残差4个分量用于模型构建,通过设计图像目标区域的判定法则将各分量融合。最后,通过试验对通用图像数据库进行检测并与常用方法进行对比,检测结果与量化分析表明,该方法具有更高的检测精度,可满足无人机运动条件下的目标检测要求。(本文来源于《指挥信息系统与技术》期刊2019年04期）
吴飞燕[3]（2019）在《基于光流法的运动图像目标检测》一文中研究指出运动目标检测一直是研究的热点和难点之一。由于运动目标的检测容易受到背景、光线变化、目标与其他物体间相互遮挡等因素的影响,如何更好地实现运动目标检测是本文研究的重点。本文运用光流法探究运动图像的目标检测,以光流矢量场作为基础,通过光流模型、背景模型和基于墒等研究途径,在一幅图像上分离出目标和背景,检测出运动目标并作出它运动轨迹。(本文来源于《科技视界》期刊2019年21期）
李国友,张春阳,张凤岭,夏永彬[4]（2019）在《视频监控运动目标图像优化检测仿真》一文中研究指出针对传统的ViBe检测算法在检测中出现鬼影、静止目标、阴影的缺陷,提出将像素值转化到小波域中进行分频,经过算法的优化设计,实现一种基于小波域中检测的新算法。针对ViBe算法中存在鬼影和静止目标的缺陷,将其背景更新策略设计成阶梯型更新,并赋予前景点也具备传播更新背景模型的特性,从而克服了ViBe算法中的鬼影和静止目标缺陷;接下来,利用小波分析的多尺度空间信息进行算法设计,从而达到去除阴影的目的;最后通过3组视频序列进行综合实验,用3个标准进行评价实验结果。实验结果表明,该算法实现了运动目标的有效检测,且优化了ViBe算法的缺陷。(本文来源于《现代电子技术》期刊2019年14期）
胡明合[5]（2019）在《强脉冲干扰下景物视频图像运动目标检测仿真》一文中研究指出图像处理技术作为当前应用范围较广的先进技术之一,对于社会各领域而言十分重要。针对当前视频图像运动目标检测存在的问题,提出基于运动信息的强脉冲干扰下景物视频图像运动目标检测方法。定义强脉冲干扰下景物视频图像集合、图像的结构元素和图像结构元素补集。根据设定参量分别对图像进行膨胀、腐蚀、开运算和闭运算等数学形态学操作,完成结构元素中突刺和强脉冲噪声的滤除,及目标图像中孔洞和间断的填补。根据视频图像像素点柯西分布概率的密度函数初步确定变化像素,分别定义低阈值检测出的所有变化区域和高阈值检测出的运动目标核心区域,得到候选阴影区域。利用判断规则确定图像阴影部分的像素点,并将其取出,获取运动目标,完成运动目标初步检测。给出图像局部统计中可变阈值,以此分割景物视频图像,控制杂散光导致的图像背景光强分布不均现象,同时通过灰度中心法对目标像素坐标点进行计算,实现视频图像运动目标精检测。实验结果表明,上述方法检测耗时短,检测性能强。(本文来源于《计算机仿真》期刊2019年07期）
钟小莉,樊吉亮[6]（2019）在《离焦模糊图像序列微弱运动目标自动检测仿真》一文中研究指出为了增强模糊图像序列微弱运动目标检测的稳定性与适应性,针对当前图像序列微弱运动目标检测方法中存在的背景噪声抑制能力较低,导致图像运动目标检测效果较差以及存在像素点空洞等问题,提出一种基于小波分解的离焦模糊图像序列微弱运动目标自动检测方法。利用小波分解法对图像进行分解,计算各分解层小波系数的局部方差并引入模糊区域,结合区域内小波系数的噪声隶属度进行小波系数缩减,利用缩减后的小波系数进行图像重构完成去噪;对于去噪后的图像序列,将背景作为图像主体,在图像序列光流场中进行背景移动向量检测及补偿,获得图像微弱运动目标移动区域,利用动态聚类完成运动目标自动检测。仿真证明,所提方法的检测效果较好,具有更好的适用性。(本文来源于《计算机仿真》期刊2019年07期）
田敏[7]（2019）在《多通道SAR复图像域慢速运动目标多特征检测方法研究》一文中研究指出多通道合成孔径雷达能够对同一观测场景高效地完成多帧成像,利用多帧复图像的空时联系进一步提升动目标的检测性能与定位精度,在军事情报获取与交通监视领域发挥着至关重要的作用。合成孔径雷达由于平台的运动导致地/海杂波的多普勒谱展宽,慢速运动目标会淹没在杂波背景中,需要进行杂波抑制来实现动目标检测。在实际环境中,杂波分布非均匀,内部起伏运动引起时间、空间去相关,雷达非正侧视工作时杂波空时二维谱随空间快速变化,加之雷达系统的幅度和相位响应误差,导致自适应杂波抑制能力恶化,动目标检测虚警概率升高,雷达系统的最小可检测速度变差。针对实际背景下动目标检测的关键问题,本文综合利用多通道合成孔径雷达复图像域的信号幅度、相位、干涉幅度、干涉相位、滤波响应损失以及运动舰船的尾迹等多特征以提升慢速目标的检测性能,主要研究工作概括如下:1.在复杂地杂波背景下,针对利用杂波抑制残差图的动目标检测方法存在虚警概率高、慢速低信噪比目标检测困难的问题,提出了一种基于滤波响应损失的两步检测方法。该方法首先进行稳健的场景杂波抑制处理,并采用较低的幅度检测门限初步检测出潜在目标,旨在提升慢速、低信噪比目标的检测概率;然后,根据潜在目标在杂波抑制前后的功率变化构造滤波响应损失检测量进行二次检测以剔除虚警。推导了该两步检测方法在非均匀杂波背景下的统计分布特性,并给出了自适应检测门限的计算方式。实验结果表明,相比于广义内积似然比、干涉幅度相位两步检测以及干涉幅度相位结合方法,所提方法能够改善非均匀杂波背景下低信噪比动目标的检测性能,获得更好的动目标最小可检测速度。2.在海杂波背景下,针对现有运动舰船目标检测方法存在虚警概率高、动目标检测盲速区大的问题,提出了一种基于干涉幅度与相位自适应融合的无盲速舰船目标检测方法。首先,联合复干涉图像的幅度、相位以及空间结构信息设计了一种干涉双边滤波处理算法,以平滑噪声,并保持物体的空间结构,可以获得更加准确的干涉信息测量结果。然后,利用高斯核函数构造了一种基于干涉幅度与相位自适应融合的目标检测准则,并根据复合高斯杂波模型推导了该检测量的概率密度函数,给出了自适应检测门限的计算方式。理论分析表明,对于盲速区的动目标,该检测准则可以自动退化为幅度检测量以避免检测盲速;对于非盲速区的目标,该准则通过融合干涉幅度与相位信息来增加舰船目标与背景的对比度,提升低信噪比目标的检测性能。机载实测数据处理结果表明,所提出的干涉双边滤波多视处理算法可以有效地平滑噪声,提升干涉信息的测量精度;干涉幅度与相位自适应融合的目标检测准则改善了动目标的检测盲速问题,提高了低信噪比运动舰船目标的检测性能。3.为缓解海杂波背景下低信噪比、小尺寸运动舰船目标检测概率低的问题,在沿航迹干涉合成孔径雷达系统下,提出一种尾迹特征辅助的运动舰船目标检测方法。该方法首先综合利用干涉幅度、干涉相位以及尾迹的形态特征来提升舰船尾迹的检测性能。然后,一方面利用尾迹特征构造待检测舰船目标的位置和沿航迹干涉相位模板;另一方面,在复干涉图像域构造一种多特征融合的检测量,并以较低的检测门限初步检测出潜在舰船目标。最后,将潜在舰船目标与生成的舰船模板一一匹配来剔除虚警。通过仿真实验验证了所提方法对升低可观测舰船目标的检测性能的改善。(本文来源于《西安电子科技大学》期刊2019-06-01）
王津申,李阳,王清峰,鲜宁[8]（2019）在《高光谱图像序列中的运动弱小目标检测》一文中研究指出高光谱图像序列包含时域信息和光谱信息的弱小运动目标检测,其因在民用和军用中的重要作用而引起了研究人员的兴趣。提出了一种新的空时联合异常方法来解决弱小运动目标的检测问题。该方法分别从空间域和时间域利用异常检测算法计算了空间异常图和时间异常图。为了检测目标的运动一致性特征,该方法生成了运动轨迹预测图。将空间异常图、时间异常图和轨迹预测图融合后,可以很容易地从背景中检测到感兴趣的目标。该方法被应用于云杂波背景下的空中目标测试数据集。实验结果表明,该方法具有较低的虚警率和较高的检测率。(本文来源于《飞控与探测》期刊2019年03期）
杜广祥[9]（2019）在《基于场景流的RGBD图像运动目标检测》一文中研究指出随着科技水平的进步与发展,计算机视觉在人们的生活中应用越来越广泛,通过计算机的强大运算能力,可以对图像中存在的关键信息进行提取利用,运动目标的检测便是其中一个热门的研究方向。运动目标检测通常是通过对视频或者连续的图像序列中相应物体在不同时刻像素位置的变化进行分析,得出图像平面中各物体的运动信息。目前,在医学、交通、军事等领域运动目标检测技术都发挥着重要的应用。目前运动目标检测技术可以分为两大类,一种是以背景减除法、帧差法为主要方法的静态目标检测,另一种以光流法为主的动态目标检测。本文所用的场景流是一种基于RGBD图像的运动目标检测技术,是由光流方法经过添加深度信息约束得到的一种叁维空间运动状态的估计方法。随着Kinect等深度传感器技术的完善,对深度信息的获取不再依赖于多视角相机的视差估计方法,场景流的估计也从最初的基于多目相机的视差计算方法发展至基于RGBD图像的场景流技术,随着消费者级深度传感器的普及化,RGBD场景流方法也成为一个研究的热门课题。本文主要是使用场景流的方法对RGBD图像序列中是否有运动目标进行检测,重点在于对场景中运动目标与静止背景进行区分。本文主要工作将场景流估计方法应用到运动目标检测之中,并对场景流计算过程中的部分流程进行优化。首先在RGBD图像的获取过程中,因为深度传感器所采用的结构光技术不能对场景中所有信息准确捕获,所以在深度图像中部分关键位置信息可能存在缺失情况,本文在使用深度图像之前利用像素点周边的相似性对深度图像进行空洞填充,较好的还原关键点位置的深度信息;为避免由相机及传感器运动所带来的全局运动对结果产生的影响,本文运用基于Fast特征点匹配的相机运动模型,对相机运动前后两帧RGBD图像间对应像素点坐标进行修正,使用修正后的坐标点进行场景流的估计,在最终实验结果中本文方法很好的解决全局运动对检测结果带来的影响;在之前的场景流估计方法中,为检测图像中的大运动,往往采用的是基于特征点匹配的方法,只要特征点运动前后都在图像中,便不会产生无匹配的情况,但是这种方法存在一定的弊端,在特征点过多或者过少的情况下都无法对运动目标进行精确匹配,并且得出的结果也是稀疏场景流,需要再进一步根据场景结构对密集场景流进行估计,本文采用多尺度迭代计算的方法,将大位移运动的图像分辨率降低直至可以直接计算的情况,再进一步向高分辨率迭代,最终实现大位移运动的检测;针对光流目标检测方法中运动目标与背景边界模糊的现象,本文采用对称平滑和非对称平滑相结合的策略,加大边界处梯度的作用,并且在实验中对运动目标边缘的检测效果较好。(本文来源于《吉林大学》期刊2019-04-01）
易诗,张洋溢,聂焱,赵茜茜,庄依彤[10]（2019）在《红外图像中快速运动目标的检测与跟踪方法》一文中研究指出红外热成像图像具有分辨率较低,细节模糊,对于快速运动目标适应性较差的特点。本文提出了一种结合目标检测算法,目标跟踪算法的红外图像中快速运动目标的检测与跟踪方法。该方法根据红外图像特点,使用ViBE算法检测运动目标,检测出图像中显着运动目标后,触发跟踪器,使用fDSST目标跟踪算法对显着运动目标进行跟踪。测试结果表明,该方法对于快速运动的红外图像目标能够高效检测、快速跟踪。检测与跟踪效果相对传统方法具有检测率更高、鲁棒性更好、实时性更强的优势,对于红外图像中目标检测与跟踪具有很强应用价值。(本文来源于《红外技术》期刊2019年03期）
图像运动目标检测论文开题报告
（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：
无人机在执行图像采集任务时,系统与目标之间产生的相对运动会引起序列图像相邻帧坐标系的全局变化,导致常用方法无法准确检测目标。因此,提出了基于无人机序列图像的全局运动目标检测方法。该方法利用时域、空间域与频域的特点以及优势互补原理,选取运动特征、颜色整合特征、亮度特征和频谱残差4个分量用于模型构建,通过设计图像目标区域的判定法则将各分量融合。最后,通过试验对通用图像数据库进行检测并与常用方法进行对比,检测结果与量化分析表明,该方法具有更高的检测精度,可满足无人机运动条件下的目标检测要求。
（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。
图像运动目标检测论文参考文献
[1].吕苗苗,孙建明.基于改进高斯混合模型的运动图像目标检测算法[J].半导体光电.2019
[2].许冰,肖海峰,高飞.基于无人机序列图像的全局运动目标检测[J].指挥信息系统与技术.2019
[3].吴飞燕.基于光流法的运动图像目标检测[J].科技视界.2019
[4].李国友,张春阳,张凤岭,夏永彬.视频监控运动目标图像优化检测仿真[J].现代电子技术.2019
[5].胡明合.强脉冲干扰下景物视频图像运动目标检测仿真[J].计算机仿真.2019
[6].钟小莉,樊吉亮.离焦模糊图像序列微弱运动目标自动检测仿真[J].计算机仿真.2019
[7].田敏.多通道SAR复图像域慢速运动目标多特征检测方法研究[D].西安电子科技大学.2019
[8].王津申,李阳,王清峰,鲜宁.高光谱图像序列中的运动弱小目标检测[J].飞控与探测.2019
[9].杜广祥.基于场景流的RGBD图像运动目标检测[D].吉林大学.2019
[10].易诗,张洋溢,聂焱,赵茜茜,庄依彤.红外图像中快速运动目标的检测与跟踪方法[J].红外技术.2019