一、基于实时序列图像复杂背景下运动目标的提取（论文文献综述）
代天乐[1]（2021）在《复杂遮挡环境下目标检测与跟踪技术研究》文中指出近几年,随着计算机视觉技术的兴起,运动目标检测与跟踪技术在军事制导、智能视频监控、智慧城市等多个方面得到了广泛的应用。由于实际应用场景多样性,传统运动目标检测与跟踪算法在很多复杂场景如:动态背景、初始帧存在运动目标、目标间歇性运动、目标形变、目标旋转、背景杂乱、目标遮挡以及尺度变化等场景下,检测与跟踪性能不佳。因此,为了提高传统算法在以上复杂场景中的检测与跟踪性能,论文对传统的运动目标检测与跟踪算法进行了改进,论文所做工作包括:（1）针对传统视觉背景提取算法（Visual Background Extractor,Vi Be）在动态背景、初始帧存在运动目标、以及目标间歇性运动场景下,容易出现误检和漏检等情况。论文提出了一种基于时空样本的背景建模方法,充分结合时域背景建模性能较好的高斯混合模型（GMM）算法以及空域背景建模较好的Vi Be算法的优点,并在前景点检测与背景模型更新上对传统算法进行自适应改进。经实验证明论文算法较传统算法在综合评价指标measure F-上约提高了8%,大大提高了算法在复杂场景下的鲁棒性。（2）针对传统的核相关滤波目标跟踪算法在外观模型建立上采用单一特征,在目标发生形变、目标旋转以及背景杂乱等复杂场景下跟踪精度低等问题。论文提出了一种基于多特征自适应融合的核相关滤波目标跟踪算法。首先分析了不同特征单独响应的峰值图;然后根据不同特征在不同场景下响应峰值图的置信度,采用响应峰值图的次峰主峰比（RSFM）对不同特征分配不同的权重;最后根据融合后的特征进行相关响应确定跟踪目标的位置。经实验证明论文算法在目标发生形变、目标旋转以及背景杂乱等复杂场景下较传统的算法在跟踪精度和跟踪成功率上均有明显的提高。（3）针对传统核相关滤波目标跟踪算法在目标被遮挡以及尺度变化场景下容易导致跟踪丢失等问题。论文提出了一种分块抗遮挡与尺度自适应的核相关滤波目标跟踪算法。当目标被局部遮挡时,论文算法可根据未发生遮挡的子块和全局块联合确定目标的位置;当目标被全局遮挡时,论文算法会自动扩大目标搜索区进行重检测。在跟踪器模型更新上提出了一种遮挡检测机制来自适应的更新模型;在目标发生尺度变化时,论文算法可以根据各个子块的聚合程度来选择相应的尺度因子,进而自适应的调节跟踪器的尺度。经实验表明论文算法在目标遮挡和尺度变化场景下较传统的核相关滤波目标跟踪算法在跟踪精度上约提高了17%和16%,在跟踪成功率上分别提高了20%和13%。
师清邦[2]（2021）在《基于机器视觉的无人机入侵检测系统的设计》文中提出民用无人机的快速发展和广泛应用给生活带来了便利,同时也导致了侵犯个人隐私和威胁公共安全的事件频发。基于可见光技术的无人机入侵检测系统依赖于发展迅速的机器学习技术,成为了机器视觉领域的研究热点。然而,无人机在图像中的像素占比较小、在复杂背景下易融于背景等难点,使得目前基于可见光技术的无人机入侵检测系统不够完善。本论文针对无人机入侵检测系统的需求,研究并设计了一种基于机器视觉的无人机入侵检测系统。主要研究工作如下:（1）针对Vi Be（Visual Background extractor）运动目标检测算法对运动状态改变的目标检测时易出现鬼影问题,提出了基于中值法背景补偿的改进Vi Be算法。通过在Vi Be算法背景建模前使用中值法建立背景模型,避免了第一帧图像将运动目标作为背景元素出现鬼影问题的可能。同时,每间隔500帧图像,使用50帧图像进行一次中值法背景建模作为补偿。在目标运动状态改变时,采用历史多对比机制判断无人机运动目标,以防止将无人机目标逐渐吸收为Vi Be背景而出现鬼影问题。加入了分散度系数用于自适应前景与背景的分割,以适应场景光照强度变化。通过算法对比,改进后的Vi Be算法查准率较原来提升了4%,查全率提升了8%。（2）通过对3款无人机不同角度、不同尺度、不同姿态等状况实时拍摄以及网络获取、样本扩充等手段,获得了28510帧无人机目标识别样本。在此基础上按照9:1的比例构建训练集和测试集。在同一样本集下对目标识别算法下同属于one-stage类的YOLOv4（You Only Look Once version 4）、YOLOv3和SSD（Single Shot Multi Box Detector）算法进行训练和测试。在平均精准率上YOLOv4较YOLOv3高5.18%,较SSD高4.8%;在平均召回率上YOLOv4较YOLOv3高3.21%,较SSD高2.17%。因此选用YOLOv4作为本系统目标识别算法。（3）针对STC（Spatio-Temporal Context）目标跟踪算法在与无人机相似背景下,错误时空上下文信息递增的现象,提出了一种基于Kalman滤波器的STC目标跟踪算法。该目标跟踪算法在单一天空背景下建立时空上下文信息模型,进行区域概率分析完成目标定位。而在复杂背景下使用Kalman滤波器对目标进行定位,避免了STC算法错误时空上下文信息叠加的可能。通过对比分析,改进后的算法跟踪平均成功率相比较于原算法提升了10.3%,平均中心位置误差缩减了6.2个像素距离。（4）本文将上述的目标检测算法和目标跟踪算法相结合,通过带有云台的摄像机搭建了带有客户端的无人机入侵检测系统,分步进行云台随动运动目标检测、镜头变焦目标识别和云台随动目标跟踪等任务,达到实时无人机入侵检测的目的。
邹云龙[3]（2021）在《高轨道空间目标自动搜索与识别技术研究》文中研究说明随着人类航天活动日益增多,在轨工作航天器的数量显着增加,这不可避免地产生数以亿计的空间碎片,给卫星和航天器带来严重威胁。对地球轨道上空间目标进行精准识别、定位与跟踪,预测可能发生的碰撞,进而能够操控卫星躲避潜在的威胁。同时,对空间目标进行监视也是国家安全的重要保障。因此,对空间目标探测技术进行研究具有重要意义和价值。高轨道空间目标距离地面远,具有尺寸小、亮度暗等特点,在大量的恒星掩盖下,实现对小尺寸高轨目标的自动搜索与识别存在很多技术难点。首先,复杂背景下的星图处理与目标识别仍有较大的局限性,尤其是受到亮目标、云层、光学渐晕、探测器均匀性等因素影响时,识别与跟踪能力大大减弱;同时,空间目标的先识别后跟踪模式,容易受到虚假目标与恒星的干扰,使得目标定位精度低,目标轨迹预测误差大等;而且,当前观测设备以及处理技术往往是非智能化的,不能根据图像数据对望远镜进行实时反馈,这使得拍摄与跟踪效果不是最优化,这给后端的处理工作带来很大的挑战。本论文利用地基大口径大视场望远镜为观测条件,通过研究目标特性、设计图像处理算法以及制定针对性观测方式等内容,对大视场图像中空间小尺度多目标自动搜索、发现和测量,实现基于图像反馈自动调整望远镜跟踪模式的智能决策系统,为空间目标预警、编目定轨提供更精确的数据。论文具体的工作如下:1.月光、云层以及系统光学渐晕等因素影响下,单纯依赖灰度阈值方法很难对复杂背景下的星图进行有效识别与分割。针对此问题,研究了星图背景建模与灰度阈值分割方法,分析了复杂背景图像的灰度特征,并从光学系统的成像特性角度出发,提出了基于空间目标与一维高斯形态相关性的星图分割方法,将处理核心从传统的灰度阈值转移到相关系数阈值,同时用图像局部数据的标准差和目标与模型间的均方误差与局部数据的方差之比来去除虚警,并与不同灰度阈值分割方法对比分析,验证该方法的有效性。结果表明,对于复杂场景下的真实星图,本文方法识别更多目标;对于两个各2000帧的复杂背景仿真星图,本文方法可实现的识别率和虚警率分别为:97.6%、0.43%和97.9%、0.48%。2.传统的空间目标探测流程需先进行帧间配准,在检测到目标的基础上分析其形态特征,再计算运动参数。在受到亮星的影响下,会出现目标识别与定位不准确,目标位移计算偏差大等问题。针对此问题,论文从时域和空域角度分析了目标与背景的运动特征,并提出了基于运动参数估计的空间目标条纹逆过程探测方法,先通过图像帧间相位差检测目标位移,而后进行目标搜索和定位,这与传统流程完全相反,有效抑制了亮星干扰。结果表明,对于不同场景的真实星图,本方法能以亚像素精度估计目标条纹位移、长度和位置;对于五组各100帧的仿真星图,分别添加标准差为0、5和10的高斯噪声,目标位移检测精度分别为:0.08、0.31和0.48个像素,目标长度估计精度分别为:0.04、0.14和0.26个像素,条纹角度估计精度分别为:0.07°、0.3°和0.5°,目标定位精度为亚像素。3.当视场中同时存在多个不同运动状态的目标时,传统目标探测方法需分析所有目标形态参数并进行帧间匹配,然后再计算其运动特征并跟踪。但当检测算法无法准确分析每个目标形态时,则多目标无法匹配,需取更多帧进行分析。针对此问题,提出星图序列中多目标逆过程探测方法,通过相位差谱提取多目标位移,进而直接对多目标进行编目、跟踪与定位,克服了虚假目标去除过程存在的问题。结果表明,对于包含5个不同形态的目标的20帧仿真星图序列,分别添加标准差为0、5和10的高斯噪声,目标位移检测精度分别为:0.06、0.32和0.55个像素,目标长度估计精度分别为:0.05、0.21和0.41个像素,条纹角度估计精度分别为:0.16°、0.42°和0.7°,目标定位精度为亚像素。
武加文[4]（2021）在《基于红外面阵扫描设备的快速目标检测与识别》文中研究说明随着机器视觉的发展,针对红外图像目标检测与识别技术的需求也在不断增长。红外面阵扫描系统具有探测能力强、扫描效率高等特点,基于该类设备的算法研究成为了红外机器视觉领域的研究热点之一。通常情况下,红外面阵扫描设备为方便人员监控与算法处理,首先需要在水平方向上拼接输出图像,但在工作过程中受转速不稳、平台震动的影响,难以生成稳定的全景图像;其次面阵扫描输出速率高,数据量大,对算法运行速度有较高要求;此外受红外成像特点与制造工艺限制,设备所采集图像具有细节较少、信噪比低、灰度不均匀等缺陷,对检测识别算法设计提出了更大的挑战。本文针对基于红外面阵扫描设备的快速目标检测与识别技术,在图像拼接、运动目标检测、目标识别这三个方面进行了研究,主要内容有:1.对红外面阵图像简单拼接生成的全景图进行了分析,针对面阵扫描图像存在暗角以及不规则偏移的问题,提出了一套结合图像配准与图像融合的解决方案。首先分析了现有基于灰度域、变换域、特征的图像配准算法,最终选用相位相关法进行配准,并在其基础上加入了边缘检测的步骤,有效减少了灰度分布不均匀对相位相关法的影响。然后对图像融合算法进行了研究,选取了渐入渐出法实现图像融合,有效消除了因灰度分布不均匀产生的拼接缝。实验表明所提拼接算法使用归一化互相关度作为评价标准时,相比其它算法准确度更高,且处理速度达到了3.3ms/帧。2.针对现有运动目标检测算法缺乏普适性,复杂场景中目标召回率低的缺点,提出了一种基于直方图统计的目标检测算法。通过对帧间差分法与背景建模法等常用目标检测算法进行分析,发现现有算法解决问题的范围较为单一:如高斯背景建模提取简单背景内的运动目标有良好的效果,但复杂背景下效果不佳,而KDE（Kernel density estimation,核密度估计法）则与之相反。因此本文设计了一种可根据背景类型选取不同策略的算法。首先为各像素建立直方图,并通过直方图众数生成稳定的背景;接着通过三帧差分得到图像的噪声方差,并根据噪声方差与直方图将背景分为简单背景与复杂背景;最后根据背景类型分别使用单高斯模型与改进的两级阈值KDE提取出完整的前景,保证了复杂场景下所提取目标的完整性。实验表明所提算法拥有最高的F值0.782（F值为准确率与召回率的综合指标）,同时处理速度达到了2.9ms/帧。3.针对现有利用CPU进行推理的深度学习识别网络,在识别红外目标时效率过低的问题,设计了一种轻量型神经网络。该网络在现有识别网络的结构和设计技巧的基础上,结合红外目标缺少纹理、深层语义较少的特点,一方面缩小输入尺寸与卷积核尺寸,另一方面减小网络的深度和宽度,在不损失识别精度的同时极大提高了识别速度。实验表明所提算法平均识别准确率为96%,处理速度为1.2ms/帧。
王菲[5]（2021）在《基于背景建模的有限像素目标识别技术研究》文中指出在空对地机载光电成像探测、地对空地面区域防务等领域,当目标与光电成像系统距离较远时,目标图像数据只有有限个像素点,目标的形状、色彩、纹理等特征非常有限,具有目标识别领域“小目标”特征。特别是小型无人机在军用和民用领域大量使用,使光电成像观瞄系统对“小目标”的探测与识别技术需求愈加突显。本文以西安市科技创新计划项目为依托,针对光电观瞄系统远距离观测目标图像数据像素有限,目标图像纹理、颜色、形状等特征有限情况下的小目标识别与跟踪技术难题,研究基于背景建模的目标识别与跟踪技术,主要研究内容包括以下几个方面:1)针对低空区域防务光电观瞄系统的架构需求和技术指标,通过分析目标在光学系统中的成像过程,作用的距离、像元的尺寸和分辨率之间的关系及光谱响应曲线等影响目标探测与识别的因素,构建了低空区域防务光电观瞄系统的总体方案,完成了测试系统开发及静态与动态背景下算法测试数据集的采集。2)静态背景有限像素目标识别算法研究。针对静态背景下有限像素目标识别问题,通过视频图像帧间背景图像配准及配准后图像采用帧间差分法进行目标粗分割,并获取到了目标的位置及形状等信息,使用基于自适应更新的融合算法滤除了背景差分处理图像中的噪声,取得了高精度的目标识别结果,并完成了对算法的实验测试验证。3)动态背景有限像素目标识别算法研究。针对动态背景有限像素目标难以分割等难题,通过重点解决基于ViBe模型和混合高斯模型的目标识别算法中存在的拖影（Ghost）区域及目标运动速度变化较大难以建模等问题,实现了有限像素目标高精度识别。应用空间连续性约束条件为准则对主成分分析（PCA）方法建模存在的前景与背景误差进行补偿的同时,引入光流计算、色彩信息辅助等其它信息进一步提高误差补偿精度,提高了基于动态背景下的有限像素目标提取准确率,并在存在多目标的视频帧中对算法的实用性进行了验证。4)研究基于嵌入式框架的小型化无人机目标识别技术。本章从DM6446嵌入式平台的软件架构出发,完成了开发环境的搭建,以Codec为基础对算法调用进行了详细的分析,并且设计了基于ARM端的多线程任务处理方式,提高了目标识别技术在实际应用中的处理速度。通过实验论证,本论文构建的基于背景建模的有限像素目标识别系统针对光电观瞄系统远距离观测目标图像数据像素有限,目标图像纹理、颜色、形状等特征有限的情况下,研究如何从视频数据中准确提取无人机目标并对其进行分类识别的技术,并通过仿真实验利用多旋翼小型无人机实现了目标的快速、精确和自动识别。
李荅群[6]（2021）在《复杂场景下基于深度特征匹配的目标跟踪算法研究》文中指出作为图像处理、计算机视觉领域中重要的研究方向之一,目标跟踪在诸如智能交通、视频监控、视觉导航、国防侦查和军事观测等应用领域具有很高的应用价值。尽管在之前几十年的研究中目标跟踪已经取得较好的发展,但是其仍然面临很多难题。一方面,在跟踪过程中目标经常会发生较为复杂的变化,比如光照变化、形变、遮挡等问题,这使得稳定且准确地跟踪目标变得尤为困难。另一方面,如何全面且有效地对目标外观表征模型、目标定位方法及模板更新策略等重要环节进行提升,也时刻困扰着国内外众多学者。近年来,基于深度学习的目标跟踪算法相比于其它目标跟踪算法展现出更加优异的性能,其在大数据的驱动下利用端到端学习不仅能够高效、便捷地训练模型,还极大地提升了算法的鲁棒性与准确性。其中,基于深度特征匹配的目标跟踪算法以其均衡的准确性、鲁棒性和实时性获得了较多的关注。虽然这类算法在很多方面表现优异,但由于网络结构中缺少层级间的自适应特征融合、模板更新策略不够完善、缺少再检测机制等原因,其在复杂场景下的鲁棒性与准确性都会明显降低。因此,本论文在研究大量国内外目标跟踪算法的基础上,针对复杂场景下基于深度特征匹配的目标跟踪算法的局限性进行一定的改进。本论文主要开展可见光单目标跟踪算法的研究,主要研究内容和创新性成果如下:1、针对基于深度特征匹配的目标跟踪算法在复杂场景下准确性及鲁棒性降低且模板更新策略不够完善的问题,提出一种结合再检测机制与自适应模板更新的孪生卷积神经网络目标跟踪算法。在跟踪过程中,当背景中出现相似干扰时,基于深度特征匹配的目标跟踪算法生成的响应图中易出现多个波峰,从而造成跟踪框不稳定甚至跟踪目标丢失的情况。本文利用一种高效且准确的再检测孪生卷积神经网络作为再检测机制来应对响应图中的多波峰。再检测网络在出现的各个波峰周围采样并进行实时、准确的匹配计算,从而实现对干扰的筛选与排除。另外,为了应对跟踪过程中遮挡、形变等复杂因素带来的影响,本文提出一种基于生成式模型的自适应模板更新方法。该方法将评估过的可靠跟踪结果进行特征提取与概率统计,利用统计结果与已有的目标模板特征进行自适应融合,从而实现模板的自适应更新。仿真实验结果表明,该算法能较好地应对相似背景干扰、遮挡、目标形变等难题,有效提升复杂场景下的跟踪精度与鲁棒性。2、针对基于深度特征匹配的目标跟踪算法网络结构较浅且缺少层级间的自适应特征融合的问题,提出一种结合深层特征与鲁棒特征融合的孪生卷积神经网络目标跟踪算法。虽然,基于深度特征匹配的目标跟踪算法利用浅层卷积神经网络和离线训练能够在一些低复杂度的场景取得不错的跟踪效果。但是,由于缺少丰富的语义特征,其在应对复杂场景下一些具有挑战性的难题时,跟踪效果将会明显下降。本文利用一种改进的残差网络来替代传统的浅层网络,从而提取出具有丰富语义信息的深层特征。与此同时,本文提出一种高效的自适应多层特征融合策略,有效提升了响应图的质量,减少了在复杂场景下相似背景干扰所带来的影响。另外,本文利用一种自适应特征信息融合方法来实现模板的更新,从而有效克服遮挡、目标形变等难题。仿真实验结果表明,该算法能够有效提升跟踪效果,并且在准确性与鲁棒性等方面表现良好。3、针对基于深度特征匹配的目标跟踪算法前景信息利用不充分,跟踪过程中在语义背景下易丢失目标的问题,提出一种前景信息引导的孪生卷积神经网络目标跟踪算法。考虑到现有的基于深度特征匹配的目标跟踪算法在离线训练时正样本对包含的挑战因素较少,在目标遇到遮挡或较严重形变时跟踪效果下降的问题,本文采用一种相对简单的采样策略来扩充离线训练时正样本对中的挑战因素,从而有效增强算法的鲁棒性。并且,为了进一步提升算法在语义背景下的识别能力,本文将背景信息进行填充遮挡,从而增强前景信息的显着性。与此同时,将处理后的数据输入到基于卷积神经网络的引导分支中,并运用一种填充损失计算方式来改进算法的损失函数,有效提升算法在语义背景下的识别能力。此外,本文采用一种改进的特征信息融合方法来实现模板的更新,进一步应对目标的外观变化。仿真实验结果表明,该算法在多种干扰因素下取得了较好的跟踪效果,优于所对比的其它多个先进的跟踪算法。
郭治成[7]（2021）在《基于背景建模的复杂场景中运动目标检测方法研究》文中研究说明智能视频分析技术融合了机器视觉和传统监控系统,是人工智能与机器视觉领域的一个重要研究方向,广泛应用于国家公共安全相关系统、智能交通网络、智能电力、建筑智能化等领域。智能视频分析技术需要建立视频及其描述之间的映射关系,通过机器视觉、模式识别、图像处理和人工智能等技术,理解原始数据语义信息。运动目标检测在提高智能视频分析系统的计算速度、准确性和鲁棒性上发挥着极其重要的作用,直接影响系统整体性能。背景建模法是运动目标检测领域最为常用的方法,通过视频序列建立稳定的背景模型,将已建立好背景模型中的像素值、直方图、纹理等特征信息与输入图像对应特征做差分运算获取运动目标。背景建模法的核心是背景模型的建立和更新,优点是原理简单、运算速度快、计算量小、具有较高的实时性和目标检测准确率。本文利用机器视觉等相关理论,针对视频复杂场景、光照突变场景中运动目标的识别和优化进行了深入研究,提出了以下四种背景建模方法。（1）为提高运动目标检测的准确性,构建鲁棒的背景模型,在综合考虑视频图像在同一位置像素点的时间相关性和邻域像素空间相关性的基础上,提出基于多种特征融合的背景建模方法,选取视频序列中四种特征建立背景模型。首先采集视频第一帧,利用像素与其邻域像素相关一致性的特点,快速初始化背景模型;其次融合视频序列多种特征更新背景模型,在检测目标时消除背景模型初始化产生的鬼影区域;最后通过提取输入帧的像素值和背景模型中的特征值自适应调整阈值,提高背景模型在复杂场景下检测目标的适应性和检测率。（2）为解决背景建模方法在光照突变场景下引起全帧像素值大范围变化时检测目标十分困难的问题,提出基于改进Census变换的多特征背景建模方法。首先选取33’Census变换窗口的中值代替中心像素值,减少Census变换特征值对中心像素的依赖;其次建立Census模板和更新模板规则,有效改善Census变换对视频处理的鲁棒性和稳定性;最后将改进后的Census变换等特征融合建立背景模型,实现运动目标检测,在光照突变场景下提高了对目标检测的准确性,利用自适应敏感系数衡量视频不同区域的动态程度设置相应的更新规则,提高了在复杂场景中检测运动目标的鲁棒性。（3）针对大多数背景建模方法对背景的复杂变化较为敏感,尤其在复杂场景中背景动态变化大往往引起检测前景目标和识别背景的错误,导致检测率较低的问题,提出基于自适应复杂场景的背景建模方法。采集视频前5帧初始化背景模型,通过输入帧获取像素信息更新背景模型,减少噪声和帧内边缘对检测目标的影响,改善了初始化易造成鬼影现象的问题。针对复杂场景动态变化大,难以直接用像素值描述特征,使用自适应离散系数描述像素动态变化幅度,降低在复杂场景中提取前景目标的难度,减少了由背景像素值大幅度变化产生的假前景。（4）针对大多数背景建模方法检测运动目标易出现假目标、前景孔洞和鬼影的问题,提出基于改进形态学的背景建模方法。首先以改进的Vi Be算法为基础快速检测运动目标;其次通过动态系数将背景像素划分为简单背景和复杂背景两类区域,约束腐蚀操作范围,降低假前景对检测结果的影响,改进膨胀结构元,填补目标孔洞。通过限定腐蚀和膨胀区域,降低腐蚀和膨胀在视频序列执行频率,减少形态学对模型检测速度的影响;最后提出基于邻域中值鬼影区域检测与消除方法,很好抑制了鬼影区域的产生。
魏东[8]（2021）在《采煤机工作空间人员检测与预警关键技术研究》文中研究表明随着智能化技术的发展,如何推动综采自动化向综采智能化转变,是当前煤炭行业亟需解决的核心问题之一。综采工作面具有低照度、工作环境恶劣的特点。在智能化综采工作面中,采煤机的操控由本地向远程转变。本地操作模式下,可以通过跟机工作人员的观察和提醒避免人员误入工作空间。随着综采机电装备操作方式的变化,如何保障机电装备工作空间内的人员安全,成为亟待解决的关键问题。当前的采煤机已经具有三维定位、记忆截割和远程监控等功能,但缺少采煤机工作空间误入人员的检测和预警保护功能,一旦出现井下人员误入其工作空间,将会带来严重的安全事故。因此,有必要研究采煤机工作空间人员检测与预警技术,实现煤矿的安全高效生产。本课题以采煤机工作空间人员检测与预警为研究对象,利用红外热成像仪采集采煤机工作空间内红外图像,研究具有复杂混合噪声的红外图像去噪增强方法,建立采煤机工作空间内人员目标的运动特征及位置提取模型,设计基于强跟踪模型的目标位置预测算法,实现采煤机工作空间内的人员位置预测与保护预警。本文的主要研究成果如下:（1）在分析综采工作面采煤机、液压支架和刮板输送机配套模型基础上,结合采煤机工作空间人员检测与预警系统的功能需求,搭建了采煤机工作空间人员检测与预警系统的总体架构,并分析了采煤机工作空间人员检测与预警系统的主要组成与工作流程。（2）研究了采煤机工作空间红外图像噪声的构成与特性,建立了针对具有非均匀信息分布特点的红外图像抗敏滤波模型,并结合采煤机工作空间红外图像序列的时域特性,构建了该模型的时空域变体,有效提高了对高强度不均匀复杂红外噪声的处理能力,改善了采煤机工作空间红外图像序列质量。（3）分析了采煤机工作空间人员检测系统需求,建立了采煤机工作空间红外图像域场景运动特征获取模型,结合红外图像序列自身特性,研究了动态背景下移动前景目标的红外图像运动特征提取方法,实现采煤机工作空间中移动目标的运动特征提取。（4）结合采煤机工作空间红外场景特征,研究了适合于采煤机工作空间复杂红外场景的图像分割方法,建立了基于局部信息权重和淘金算法的红外图像分割方法,实现了采煤机工作空间红外场景的有效分割,继而设计了基于形态学权重的位置检测算法,有效融合采煤机工作空间中人员的运动特征和分割图像信息,实现了移动人员位置信息的完整提取。（5）设计了采煤机工作空间人员预警算法,基于采煤机工作空间人员的运动及位置信息,分析适合于描述采煤机工作空间人员运动的机动目标跟踪模型,构建了基于强跟踪模型的移动人员位置预测与跟踪算法,实现了采煤机工作空间的人员危险状态预警。本文对采煤机工作空间人员检测与预警的关键技术进行了研究,并研发了采煤机工作空间人员检测与预警系统,开展了红外图像增强、采煤机工作空间人员运动特征及位置信息提取和人员位置预测及危险状态预警等相关工业性试验,结果表明:该系统可以有效地对采煤机工作空间中移动人员目标的运动特征和位置信息进行提取,实现工作人员预警保护,为智能化综采工作面的安全生产提供了技术支撑。该论文有图60幅,表21个,参考文献218篇。
崔志鹏[9]（2020）在《基于压缩感知的车辆跟踪与分类研究》文中研究指明视频车辆的跟踪与分类是自动驾驶领域非常关键的环节。目前对于视频车辆跟踪与分类的研究已有许多成果,但大多基于固定摄像头和固定场景,并不适用于自动驾驶、智能辅助等场景。针对移动背景视频序列中,对车辆进行跟踪与分类方法的实时性不高、存在场景干扰等问题,以压缩跟踪算法为基本框架,设计了一种视频车辆的跟踪与分类方法。本文的主要工作和成果如下:（1）运动目标区域检测的研究。针对移动背景下运动区域的检测,提出一种帧差法与背景建模法结合的检测方法,可以有效提高检测的精确度。（2）视频序列车辆提取研究。针对现有车辆检测算法实时性与准确率相制衡的问题,提出基于视频序列的Attention-YOLOv4车辆检测模型,引入注意力机制,进一步提高了模型的检测速度与精度。（3）车辆类型细粒度识别研究。提出一种基于知识蒸馏的轻量级残差网络（Lightweight Res Net,LRN）,并使用教师-学生体系训练LRN模型。结果表明,LRN拥有与教师网络相近的分类能力,并有效减少了模型的计算复杂度。（4）基于压缩感知的车辆跟踪研究。针对视频车辆跟踪的实时性以及对光照、遮挡等因素的敏感性要求,以压缩跟踪为基本框架,提出了一种基于改进测量矩阵的车辆跟踪算法,该算法具有良好的实时性,且对遮挡、光照变化等因素具有一定的鲁棒性。本文设计了一种移动背景下的车辆跟踪与分类方法,在实时性、准确度等方面都得到了明显的提升。在后续研究中,将对非机动车类型的细粒度识别,以及夜间行驶车辆的跟踪方法进行研究。
管学伟[10]（2021）在《机载IRST小目标检测技术研究》文中指出机载红外搜索跟踪系统（Infrared Search and Track System,IRST）能够快速发现并锁定敌方目标,有效增强了载机对战场态势的感知能力;具备较高的测角测距精度,能为武器打击系统提供精确的信息支撑;被动式探测原理,抗电子战干扰强,隐蔽性能好,能够提升载机的战场生存能力。因此,IRST系统是现代战机综合式航电系统的重要组成部分。“先敌打击”的前提是“先敌发现”,为了尽可能早地发现目标,探测距离是机载IRST的关键指标。在远距离成像条件下,目标在红外图像中的尺寸小,信号强度弱,表现为弱小特征,给检测带来了挑战;由于成像场景的复杂性,目标容易受到噪声及杂波的干扰,进而会降低机载IRST的作战效能;此外,战场环境是多变的,这对检测的适应性也提出了更高的要求。本文以新一代机载红外搜索跟踪系统工程研制为应用背景,围绕机载IRST小目标检测技术开展了研究,致力于提升机载IRST目标检测系统在复杂背景下对远距离目标的探测能力,增强其场景鲁棒性。论文的主要内容包括以下几个方面:（1）红外成像预处理方法研究。好的成像质量是高性能红外小目标检测的基础。本文对影响红外成像质量的各种因素进行了分析,重点研究了红外图像的非均匀校正、无效像元补偿以及随机噪声抑制方法。在分析典型非均匀校正方法的基础上,结合机载IRST工程实际应用,提出了一种两点定标联合实时定标偏移系数的非均匀校正方法,形成了一套完整的机载IRST成像预处理技术方案,改善了成像质量。（2）红外小目标检测的基础理论方法研究。本文对红外小目标图像的特性进行了分析,总结了红外背景和小目标的关键特性（背景的局部连续性和非局部相关性,小目标的局部显着性和全局稀疏性）,明确了红外小目标检测任务的特点,描述了红外小目标检测算法的一般框架。对基于红外块的小目标检测模型进行了介绍,阐明了背景张量的低秩性和目标张量的稀疏性,并介绍了一些相关的数学概念,为后续研究奠定了基础。（3）提出了一种基于高斯尺度空间局部对比度的红外小目标检测方法。受人类视觉系统特性启发,该方法将高斯尺度空间与局部对比度有机结合起来,在尺度图像上计算局部对比度,通过下采样直接获得图像局部区域的灰度特征,使得图像局部特征的提取更加合理高效,从而有更好的背景抑制和目标增强效果。同时,该方法利用了小目标的极值点属性,设计了新的局部对比度计算形式,将滑窗的尺寸与尺度图像的尺度因子对应起来等,从而获得了出色的检测性能且运算效率高,具有较高的工程应用价值。（4）提出了一种基于张量平均秩非凸代理的红外小目标检测方法。该方法在红外块张量模型的基础上,从背景张量低秩特性的度量和局部先验信息的利用入手,采用最小化的部分和平均张量核范数来约束背景张量,利用高斯尺度空间局部对比度方法得到的目标显着图作为先验信息来权重稀疏目标张量,缓解了核范数带来的背景分离偏差,融合了局部先验和非局部先验检测方法的优势,加快了模型的收敛速度。大量实验测试表明,该方法在机载IRST典型应用场景中具有优越的性能。（5）提出了一种基于Laplace函数非凸张量秩代理的红外小目标检测方法。该方法采用奇异值的Laplace函数来度量背景张量的低秩特性,其能更好的逼近奇异值的0范数,从而获得了更好的背景分离效果;将一种局部对比度能量特征作为先验信息融合到基于红外块张量的检测模型中;结构稀疏正则项也被引入,进一步抑制了那些具有稀疏属性的结构性杂波干扰。该方法能够在复杂背景下显着增强小目标,抑制各种形态的背景杂波干扰,具有较强的场景适应性和抗噪能力。（6）研制了一套基于双片多核DSP+FPGA的小目标检测系统。结合机载红外搜索跟踪系统的工程实际,提出了联合检测策略,设计了实时信号处理平台,搭建了测试环境,并对系统进行了测试。本文所提出的技术方法均经过了大量的实验测试,并在与同类方法对比中表现优异,提升了机载IRST在复杂背景下的小目标检测性能,解决了工程应用中的具体问题,为新一代机载红外搜索跟踪系统的工程研制提供了有力支撑。
二、基于实时序列图像复杂背景下运动目标的提取（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于实时序列图像复杂背景下运动目标的提取（论文提纲范文）
（1）复杂遮挡环境下目标检测与跟踪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 运动目标检测国内外研究现状 |
| 1.2.2 目标跟踪算法国内外研究现状 |
| 1.3 课题研究存在的难点分析 |
| 1.4 本文工作和章节安排 |
| 第2章 运动目标检测与跟踪算法分析 |
| 2.1 引言 |
| 2.2 运动目标检测算法 |
| 2.2.1 帧间差分法 |
| 2.2.2 高斯混合模型 |
| 2.2.3 ViBe算法 |
| 2.3 相关滤波目标跟踪算法 |
| 2.3.1 DSST目标跟踪算法 |
| 2.3.2 KCF目标跟踪算法 |
| 2.4 本章小结 |
| 第3章 复杂环境下改进的ViBe运动目标检测算法 |
| 3.1 引言 |
| 3.2 常见的复杂情况分析 |
| 3.3 改进的ViBe运动目标检测算法 |
| 3.3.1 时空样本一致性的背景模型建立 |
| 3.3.2 像素点时空复杂度的自适应前景阈值 |
| 3.3.3 自适应背景模型更新机制 |
| 3.4 实验结果与分析 |
| 3.4.1 CDnet数据集 |
| 3.4.2 定性实验结果分析 |
| 3.4.3 定量实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于多特征自适应融合的核相关滤波目标跟踪算法 |
| 4.1 引言 |
| 4.2 多特征分析 |
| 4.2.1 HOG特征 |
| 4.2.2 CN特征 |
| 4.2.3 LBP特征 |
| 4.3 自适应特征融合 |
| 4.4 算法流程 |
| 4.5 实验结果与分析 |
| 4.5.1 实验评价指标 |
| 4.5.2 定性分析 |
| 4.5.3 定量分析 |
| 4.6 本章小结 |
| 第5章 复杂遮挡环境下改进的核相关滤波目标跟踪算法 |
| 5.1 引言 |
| 5.2 遮挡和尺度变化分析 |
| 5.3 目标分块定位和尺度自适应设计 |
| 5.3.1 目标分块设计与定位 |
| 5.3.2 尺度自适应设计 |
| 5.4 模型更新与目标重检测 |
| 5.5 算法整体流程 |
| 5.6 实验与结果分析 |
| 5.6.1 定性分析 |
| 5.6.2 定量分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（2）基于机器视觉的无人机入侵检测系统的设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景与意义 |
| §1.2 国内外研究现状 |
| §1.2.1 无人机入侵检测技术现状 |
| §1.2.2 目标检测算法现状 |
| §1.2.3 目标跟踪算法现状 |
| §1.3 论文的主要研究工作及章节安排 |
| 第二章 基于背景补偿的改进Vi Be无人机检测 |
| §2.1 几种运动目标检测算法 |
| §2.1.1 帧间差分法 |
| §2.1.2 背景差分法 |
| §2.1.3 ViBe算法 |
| §2.1.4 光流算法 |
| §2.2 基于背景补偿的改进Vi Be无人机检测 |
| §2.2.1 中值法融合Vi Be背景建模原理 |
| §2.2.2 基于背景补偿的改进Vi Be无人机检测 |
| §2.2.3 动态场景下运动目标检测 |
| §2.2.4 无人机运动目标检测结果对比分析 |
| 第三章 无人机目标识别算法 |
| §3.1 YOLO目标识别算法 |
| §3.1.1 YOLOv4 算法的架构 |
| §3.1.2 YOLO算法检测流程 |
| §3.2 旋翼无人机数据集的构建及网络训练 |
| §3.3 无人机识别结果分析 |
| 第四章 基于尺度滤波器的STC目标跟踪算法 |
| §4.1 目标跟踪算法综述 |
| §4.2 几种目标跟踪算法 |
| §4.2.1 KCF算法 |
| §4.2.2 ECO算法 |
| §4.2.3 STC算法 |
| §4.3 几种目标跟踪算法对比分析 |
| §4.3.1 无人机数据集的构建 |
| §4.3.2 几种目标跟踪算法对比分析 |
| §4.4 基于Kalman滤波器的STC目标跟踪算法 |
| §4.4.1 基于Kalman滤波器的STC目标跟踪算法 |
| §4.4.2 改进的STC目标跟踪算法结果分析 |
| 第五章 基于机器视觉的无人机入侵检测系统的设计 |
| §5.1 系统算法整体流程 |
| §5.2 系统整体架构 |
| §5.2.1 硬件整体架构 |
| §5.2.2 云台控制策略 |
| §5.2.3 系统运行速度 |
| §5.3 系统功能实现 |
| §5.3.1 运动目标检测功能 |
| §5.3.2 目标识别功能 |
| §5.3.3 目标跟踪功能 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（3）高轨道空间目标自动搜索与识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标监视研究现状 |
| 1.2.2 图像预处理算法研究现状 |
| 1.2.3 目标检测算法研究现状 |
| 1.2.4 相位相关算法研究现状 |
| 1.3 论文的研究内容与章节安排 |
| 1.3.1 论文的研究内容 |
| 1.3.2 论文的章节安排 |
| 第2章 空间目标探测技术基础 |
| 2.1 引言 |
| 2.2 光电望远镜系统 |
| 2.2.1 光电望远镜的机架结构 |
| 2.2.2 光电望远镜拍摄模式 |
| 2.3 空间目标探测技术基础 |
| 2.3.1 星图预处理技术 |
| 2.3.2 运动目标探测技术 |
| 2.3.3 目标精细定位技术 |
| 2.4 空间目标探测技术评价 |
| 2.5 本章小结 |
| 第3章 基于目标高斯形态的复杂背景星图分割 |
| 3.1 引言 |
| 3.1.1 星图背景建模 |
| 3.1.2 灰度阈值分割 |
| 3.1.3 相关性分割 |
| 3.2 目标模型与算法原理 |
| 3.2.1 目标模型 |
| 3.2.2 模型参数选择 |
| 3.3 目标识别阈值分析 |
| 3.3.1 相关系数 |
| 3.3.2 标准差 |
| 3.3.3 K值 |
| 3.4 实验与分析 |
| 3.4.1 列识别与补充识别 |
| 3.4.2 标准差除虚警 |
| 3.4.3 多种星图分割方法比较 |
| 3.4.4 结果分析 |
| 3.5 本章小结 |
| 第4章 基于运动参数估计的空间目标逆过程探测 |
| 4.1 引言 |
| 4.1.1 传统探测方法 |
| 4.1.2 逆过程探测流程 |
| 4.1.3 逆过程探测优势 |
| 4.2 目标逆过程探测算法原理 |
| 4.2.1 傅里叶变换性质 |
| 4.2.2 目标位移矢量估计 |
| 4.2.3 目标形态学参数估计 |
| 4.2.4 克服弥散对参数估计的影响 |
| 4.2.5 克服亮星对目标定位的影响 |
| 4.3 真实星图实验与分析 |
| 4.3.1 算法流程 |
| 4.3.2 目标位移探测 |
| 4.3.3 目标参数估计 |
| 4.3.4 目标相关定位 |
| 4.3.5 分析与讨论 |
| 4.4 仿真实验与性能分析 |
| 4.4.1 虚警分析 |
| 4.4.2 误差分析 |
| 4.5 本章小结 |
| 第5章 星图序列中多目标逆过程探测 |
| 5.1 引言 |
| 5.2 多目标逆过程探测算法原理 |
| 5.2.1 多目标逆过程探测流程 |
| 5.2.2 多目标运动参数估计 |
| 5.2.3 脉冲峰提取 |
| 5.2.4 多目标编目 |
| 5.2.5 多目标参数估计 |
| 5.3 星图仿真 |
| 5.3.1 星图背景 |
| 5.3.2 目标条纹 |
| 5.3.3 恒星 |
| 5.3.4 仿真结果 |
| 5.4 实验与分析 |
| 5.4.1 算法流程 |
| 5.4.2 相位差获取 |
| 5.4.3 脉冲峰探测 |
| 5.4.4 多目标参数估计 |
| 5.4.5 多目标定位 |
| 5.5 探测性能分析 |
| 5.5.1 虚警分析 |
| 5.5.2 误差分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 论文主要创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于红外面阵扫描设备的快速目标检测与识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的背景与意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 图像拼接 |
| 1.2.2 运动目标检测 |
| 1.2.3 图像识别 |
| 1.3 论文内容与章节安排 |
| 1.3.1 论文内容 |
| 1.3.2章节安排 |
| 第2章 图像拼接算法 |
| 2.1 图像配准 |
| 2.1.1 基于灰度的配准 |
| 2.1.2 基于变换域的配准 |
| 2.1.3 基于特征的配准 |
| 2.2 图像融合 |
| 2.2.1 基于像素的融合算法 |
| 2.2.2 基于变换域的融合算法 |
| 2.3 拼接算法实现 |
| 2.3.1 配准步骤 |
| 2.3.2 融合步骤 |
| 2.3.3 对比分析 |
| 2.4 小结 |
| 第3章 运动目标检测 |
| 3.1 帧间差分法 |
| 3.2 背景建模法 |
| 3.2.1 高斯背景建模 |
| 3.2.2 Vibe算法 |
| 3.2.3 核密度估计法 |
| 3.3 运动目标检测实现 |
| 3.3.1 基于直方图众数的背景估计 |
| 3.3.2 基于改进三帧差分的噪声估计 |
| 3.3.3 背景划分 |
| 3.3.4 前景提取 |
| 3.3.5 全局光照变化检测 |
| 3.3.6 对比分析 |
| 3.4 小结 |
| 第4章 目标识别 |
| 4.1 分类网络 |
| 4.2 检测识别网络 |
| 4.2.1 R-CNN |
| 4.2.2 SSD |
| 4.2.3 YOLO |
| 4.3 红外图像分类网络实现 |
| 4.3.1 分类网络设计 |
| 4.3.2 对比分析 |
| 4.4 小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）基于背景建模的有限像素目标识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外运动目标识别技术研究现状 |
| 1.2.2 弱小目标识别技术国内外研究现状 |
| 1.3 论文研究内容及章节安排 |
| 2 低空区域防务光电观瞄系统构建 |
| 2.1 系统技术指标 |
| 2.2 系统总体方案 |
| 2.3 系统探测器的选取 |
| 2.3.1 分析目标的成像过程 |
| 2.3.2 作用距离的影响 |
| 2.3.3 像元尺寸与分辨率关系 |
| 2.3.4 光谱响应特性曲线 |
| 2.4 原始视频数据的采集 |
| 2.5 本章小结 |
| 3 静态背景有限像素目标识别技术 |
| 3.1 基于背景配准帧间差分法的目标识别技术 |
| 3.2 基于背景差分法的目标识别技术 |
| 3.3 基于自适应更新的融合算法研究 |
| 3.3.1 背景的初始化与更新 |
| 3.3.2 使用融合算法的目标识别结果 |
| 3.3.3 识别结果对比及分析 |
| 3.4 识别技术指标测试与分析 |
| 3.4.1 查准率-查全率曲线 |
| 3.4.2 F-值 |
| 3.4.3 区域重叠率 |
| 3.4.4 定量分析 |
| 3.5 本章小结 |
| 4 动态背景有限像素目标识别技术 |
| 4.1 基于ViBe模型背景建模的目标识别算法研究 |
| 4.2 基于混合高斯背景建模的目标识别算法研究 |
| 4.2.1 算法基本思想 |
| 4.2.2 算法基本原理 |
| 4.2.3 算法详细流程 |
| 4.2.4 使用混合高斯背景建模的目标识别结果 |
| 4.3 基于主成分分析的融合算法研究 |
| 4.3.1 主成分分析法基本思想 |
| 4.3.2 主成分分析法基本原理 |
| 4.3.3 基于主成分分析融合算法研究 |
| 4.3.4 使用融合算法的目标识别结果 |
| 4.3.5 识别结果对比及分析 |
| 4.4 多目标识别结果分析 |
| 4.5 识别技术指标测试与分析 |
| 4.6 本章小结 |
| 5 基于嵌入式的目标识别技术 |
| 5.1 嵌入式平台开发环境搭建 |
| 5.1.1 软件架构 |
| 5.1.2 环境搭建 |
| 5.1.3 程序开发 |
| 5.2 目标识别算法Codec包封装及生成 |
| 5.2.1 目标识别算法封装 |
| 5.2.2 配置生成Codec Package |
| 5.3 ARM端多线程任务设计 |
| 5.4 实验结果及分析 |
| 5.4.1 实验环境搭建 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（6）复杂场景下基于深度特征匹配的目标跟踪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 目标跟踪算法研究现状 |
| 1.2.1 传统目标跟踪算法 |
| 1.2.2 基于深度学习的目标跟踪算法 |
| 1.3 复杂场景下目标跟踪面临的挑战 |
| 1.4 论文主要内容及结构安排 |
| 第2章 目标跟踪与深度学习基础理论 |
| 2.1 目标跟踪概述 |
| 2.2 深度学习基本原理 |
| 2.2.1 深度学习基本结构 |
| 2.2.2 卷积神经网络基本原理 |
| 2.2.3 几种典型的卷积神经网络模型 |
| 2.3 孪生卷积神经网络 |
| 2.3.1 孪生卷积神经网络概述 |
| 2.3.2 SiamFC目标跟踪算法概述 |
| 2.4 测试数据集及评价指标 |
| 2.4.1 OTB数据集及评价指标 |
| 2.4.2 VOT数据集及评价指标 |
| 2.5 本章小结 |
| 第3章 结合再检测机制与自适应模板更新的孪生卷积神经网络目标跟踪算法 |
| 3.1 引言 |
| 3.2 结合再检测机制与自适应模板更新的孪生卷积神经网络 |
| 3.2.1 孪生卷积神经网络 |
| 3.2.2 再检测机制 |
| 3.2.3 自适应模板更新 |
| 3.2.4 算法描述 |
| 3.3 实验结果与分析 |
| 3.3.1 OTB数据集实验分析 |
| 3.3.2 VOT数据集实验分析 |
| 3.3.3 消融实验 |
| 3.4 本章小结 |
| 第4章 结合深层特征与鲁棒特征融合的孪生卷积神经网络目标跟踪算法 |
| 4.1 引言 |
| 4.2 结合深层特征与鲁棒特征融合的孪生卷积神经网络 |
| 4.2.1 改进结构的残差网络 |
| 4.2.2 多层特征融合 |
| 4.2.3 基于特征信息融合的模板更新 |
| 4.2.4 算法描述 |
| 4.3 实验结果与分析 |
| 4.3.1 OTB数据集实验分析 |
| 4.3.2 VOT数据集实验分析 |
| 4.3.3 消融实验 |
| 4.4 本章小结 |
| 第5章 前景信息引导的孪生卷积神经网络目标跟踪算法 |
| 5.1 引言 |
| 5.2 前景信息引导的孪生卷积神经网络 |
| 5.2.1 正样本对的扩充 |
| 5.2.2 前景信息引导 |
| 5.2.3 基于改进特征信息融合的模板更新 |
| 5.2.4 算法描述 |
| 5.3 实验结果与分析 |
| 5.3.1 OTB数据集实验分析 |
| 5.3.2 VOT数据集实验分析 |
| 5.3.3 消融实验 |
| 5.4 本章小结 |
| 第6章 本文算法对比实验分析 |
| 6.1 OTB数据集对比实验分析 |
| 6.2 VOT数据集对比实验分析 |
| 6.3 实际应用场景对比实验分析 |
| 6.4 运行速度分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于背景建模的复杂场景中运动目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 运动目标检测 |
| 1.2.2 背景建模法 |
| 1.3 背景建模面临的主要困难和挑战 |
| 1.4 本文的主要工作及结构安排 |
| 2 基于多特征融合的背景建模方法 |
| 2.1 基于多特征融合的背景建模方法 |
| 2.1.1 背景模型工作原理 |
| 2.1.2 模型的初始化 |
| 2.1.3 模型更新策略 |
| 2.2 实验与结果分析 |
| 2.2.1 对比实验及分析 |
| 2.2.2 定量分析 |
| 2.3 本章小结 |
| 3 基于改进Census变换的多特征背景建模方法 |
| 3.1 改进Census变换 |
| 3.2 基于改进Census变换的多特征背景建模方法 |
| 3.2.1 背景模型工作原理 |
| 3.2.2 模型的初始化 |
| 3.2.3 模型更新策略 |
| 3.3 实验与结果分析 |
| 3.3.1 光线突变场景实验及分析 |
| 3.3.2 动态背景和复杂背景实验及分析 |
| 3.4 本章小结 |
| 4 基于自适应复杂场景的背景建模方法 |
| 4.1 基于自适应复杂场景的背景建模方法 |
| 4.1.1 背景模型工作原理 |
| 4.1.2 模型的初始化 |
| 4.1.3 模型更新策略 |
| 4.2 实验及结果分析 |
| 4.2.1 对比实验 |
| 4.2.2 定量分析 |
| 4.3 本章小结 |
| 5 基于改进形态学的背景建模方法 |
| 5.1 改进Vi Be背景建模方法 |
| 5.1.1 背景模型工作原理 |
| 5.1.2 模型的初始化 |
| 5.1.3 自适应判断阈值 |
| 5.2 基于改进形态学的背景建模方法 |
| 5.2.1 形态学 |
| 5.2.2 改进形态学的背景图像处理 |
| 5.2.3 基于邻域中值鬼影区域检测与消除 |
| 5.2.4 模型更新策略 |
| 5.3 实验与结果分析 |
| 5.3.1 对比实验及分析 |
| 5.3.2 定量分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）采煤机工作空间人员检测与预警关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源及背景 |
| 1.2 课题研究现状及存在问题 |
| 1.3 课题研究内容与方法 |
| 1.4 课题研究意义 |
| 2 采煤机工作空间人员检测与预警技术总体设计 |
| 2.1 综采工作面总体布置 |
| 2.2 采煤机工作空间人员检测与预警技术 |
| 2.3 本章小结 |
| 3 综采工作面红外图像去噪技术研究 |
| 3.1 综采工作面红外热成像技术的适用性分析 |
| 3.2 综采工作面红外图像去噪技术 |
| 3.3 仿真分析 |
| 3.4 本章小结 |
| 4 采煤机工作空间移动目标运动特征提取技术研究 |
| 4.1 采煤机工作空间人员检测问题 |
| 4.2 基于窗口尺寸自适应Lucas–Kanade光流移动目标运动特征检测 |
| 4.3 采煤机工作空间移动目标运动特征提取 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 5 采煤机工作空间移动目标位置信息检测方法研究 |
| 5.1 采煤机工作空间移动目标位置信息检测算法实现 |
| 5.2 综采工作面红外图像分割 |
| 5.3 基于群智能的局部信息加权直觉模糊C聚类算法 |
| 5.4 基于投票法的采煤机工作空间人员检测方法 |
| 5.5 仿真分析 |
| 5.6 本章小结 |
| 6 基于卡尔曼滤波的采煤机工作空间人员位置预测和危险状态预警技术研究 |
| 6.1 采煤机工作空间人员运动状态预测及预警功能实现 |
| 6.2 基于卡尔曼滤波的运动预测 |
| 6.3 机动目标跟踪模型 |
| 6.4 基于卡尔曼滤波的运动预测算法 |
| 6.5 采煤机工作空间人员预警实现 |
| 6.6 本章小结 |
| 7 实验研究 |
| 7.1 采煤机工作空间人员检测与预警系统关键参数设置 |
| 7.2 采煤机工作空间人员检测功能评价 |
| 7.3 采煤机工作空间人员预警保护功能评价 |
| 7.4 采煤机工作空间人员检测与预警成功率分析 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 论文创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）基于压缩感知的车辆跟踪与分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 运动目标检测研究现状 |
| 1.2.2 车辆分类研究现状 |
| 1.2.3 车辆跟踪研究现状 |
| 1.3 主要研究内容 |
| 1.4 文章结构安排 |
| 第2章 本文算法总体框架 |
| 2.1 算法总体流程设计 |
| 2.2 车辆分类算法框架 |
| 2.3 车辆跟踪算法框架 |
| 2.4 本章小结 |
| 第3章 车辆视频序列运动目标检测研究 |
| 3.1 图像预处理 |
| 3.1.1 灰度化处理 |
| 3.1.2 图像滤波 |
| 3.1.3 图像二值化 |
| 3.1.4 形态学处理 |
| 3.2 运动目标检测算法 |
| 3.2.1 帧间差分法 |
| 3.2.2 光流法 |
| 3.2.3 高斯混合模型背景建模 |
| 3.3 改进的ViBe运动目标检测方法 |
| 3.4 检测算法实验分析 |
| 3.4.1 检测效果对比分析 |
| 3.4.2 检测速率对比分析 |
| 3.5 本章小结 |
| 第4章 基于优化残差网络的车辆检测 |
| 4.1 深度神经网络 |
| 4.1.1 堆栈自编码网络模型 |
| 4.1.2 深度置信网络模型 |
| 4.1.3 卷积神经网络模型 |
| 4.2 Attention-YOLOv4 车辆检测模型 |
| 4.2.1 YOLO神经网络模型 |
| 4.2.2 注意力机制 |
| 4.2.3 车辆目标检测实验及分析 |
| 4.3 基于知识蒸馏的车辆类型细粒度识别 |
| 4.3.1 残差网络模型 |
| 4.3.2 知识蒸馏 |
| 4.3.3 车辆类型细粒度识别实验分析 |
| 4.4 本章小结 |
| 第5章 基于改进测量矩阵的车辆跟踪 |
| 5.1 运动区域提取 |
| 5.2 车辆目标检测 |
| 5.3 车辆目标跟踪 |
| 5.3.1 压缩感知算法 |
| 5.3.2 压缩跟踪算法 |
| 5.3.3 压缩感知测量矩阵的改进 |
| 5.3.4 基于改进测量矩阵的车辆跟踪 |
| 5.4 基于压缩感知的车辆跟踪实验分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目和成果 |
（10）机载IRST小目标检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于背景估计的小目标检测 |
| 1.2.2 基于人类视觉系统特性的小目标检测 |
| 1.2.3 基于低秩和稀疏表示的小目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 本文结构安排 |
| 第二章 红外成像预处理研究及小目标检测基础 |
| 2.1 红外成像预处理 |
| 2.1.1 非均匀性校正 |
| 2.1.2 无效像元替换 |
| 2.1.3 机载IRST成像预处理 |
| 2.2 红外小目标图像特性分析 |
| 2.2.1 红外图像整体特性 |
| 2.2.2 红外背景成像特性 |
| 2.2.3 红外小目标成像特性 |
| 2.3 红外小目标检测算法框架 |
| 2.4 基于红外块的小目标检测方法 |
| 2.4.1 预备知识 |
| 2.4.2 基于红外块的小目标检测模型 |
| 2.5 本章小结 |
| 第三章 基于高斯尺度空间局部对比度的红外小目标检测 |
| 3.1 人类视觉系统特性与红外小目标检测 |
| 3.1.1 对比度机制 |
| 3.1.2 方向特征信息选择机制 |
| 3.1.3 多尺度表示与自适应尺度选择 |
| 3.2 基于高斯尺度空间局部对比度的红外小目标检测 |
| 3.2.1 高斯尺度空间 |
| 3.2.2 增强的局部对比度 |
| 3.2.3 尺度空间显着图计算 |
| 3.2.4 方法的总体流程 |
| 3.3 评价指标及实验 |
| 3.3.1 性能评价指标 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于张量平均秩非凸代理的红外小目标检测 |
| 4.1 张量分解与张量秩 |
| 4.1.1 CP分解与CP秩 |
| 4.1.2 Tucker分解与Tucker秩 |
| 4.1.3 基于T-SVD的张量秩 |
| 4.2 PSATNN-GSS红外小目标检测模型构建及求解 |
| 4.2.1 基于PSATNN的低秩背景张量正则化 |
| 4.2.2 局部对比度权重的稀疏目标张量正则化 |
| 4.2.3 模型求解 |
| 4.2.4 总体检测方法 |
| 4.3 实验结果及分析 |
| 4.3.1 实验环境准备 |
| 4.3.2 融合检测验证 |
| 4.3.3 多尺度多目标检测验证 |
| 4.3.4 单帧图像实验 |
| 4.3.5 序列图像实验 |
| 4.4 本章小结 |
| 第五章 基于Laplace函数非凸张量秩代理的红外小目标检测 |
| 5.1 LFNTRS-SSR红外小目标检测模型构建 |
| 5.1.1 基于Laplace函数的非凸张量秩代理 |
| 5.1.2 局部对比度能量 |
| 5.1.3 结构稀疏正则项 |
| 5.2 模型求解及总体检测方法 |
| 5.2.1 模型求解 |
| 5.2.2 总体检测方法 |
| 5.3 实验结果及分析 |
| 5.3.1 实验准备 |
| 5.3.2 参数分析 |
| 5.3.3 定性分析 |
| 5.3.4 定量评价 |
| 5.4 本章小结 |
| 第六章 机载IRST小目标检测系统设计及实现 |
| 6.1 联合检测策略 |
| 6.2 硬件设计 |
| 6.2.1 多核DSP设计 |
| 6.2.2 FPGA设计 |
| 6.2.3 基于DSP+FPGA的信号处理平台设计 |
| 6.3 软件设计 |
| 6.4 系统测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 主要贡献和创新点 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
四、基于实时序列图像复杂背景下运动目标的提取（论文参考文献）
- [1]复杂遮挡环境下目标检测与跟踪技术研究[D]. 代天乐. 长春理工大学, 2021(02)
- [2]基于机器视觉的无人机入侵检测系统的设计[D]. 师清邦. 桂林电子科技大学, 2021(02)
- [3]高轨道空间目标自动搜索与识别技术研究[D]. 邹云龙. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [4]基于红外面阵扫描设备的快速目标检测与识别[D]. 武加文. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [5]基于背景建模的有限像素目标识别技术研究[D]. 王菲. 西安工业大学, 2021(02)
- [6]复杂场景下基于深度特征匹配的目标跟踪算法研究[D]. 李荅群. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [7]基于背景建模的复杂场景中运动目标检测方法研究[D]. 郭治成. 兰州交通大学, 2021(01)
- [8]采煤机工作空间人员检测与预警关键技术研究[D]. 魏东. 中国矿业大学, 2021
- [9]基于压缩感知的车辆跟踪与分类研究[D]. 崔志鹏. 浙江科技学院, 2020(03)
- [10]机载IRST小目标检测技术研究[D]. 管学伟. 电子科技大学, 2021