导读:本文包含了运动区域匹配论文开题报告文献综述及选题提纲参考文献，主要关键词:图像匹配,区域梯度特征,图像运动约束,FAST算子
运动区域匹配论文文献综述
鲁明珠,张思祥,周围[1]（2017）在《区域梯度特征耦合运动约束的图像匹配算法》一文中研究指出为解决当前基于图像灰度特性的匹配算法在面对灰度变化较大或存在较多的干扰时,易出现较高误配率的不足,提出区域梯度特征耦合运动约束的图像匹配算法。利用FAST算子检测图像的特征点,借助Hessian矩阵剔除伪特征点;构建圆形区域,求取其梯度特征,改进SIFT机制,生成特征描述符。建立双向匹配机制,完成特征点的匹配;根据特征点运动方向的特点,构造图像运动约束规则,对匹配特征点进行提纯。仿真结果表明,与当前图像匹配算法相比,所提算法具有更高的抗干扰能力以及最低的匹配耗时。(本文来源于《计算机工程与设计》期刊2017年12期）
杨力[2]（2014）在《基于多摄像机区域匹配和AdaBoost算法的运动人头检测》一文中研究指出AdaBoost算法在现有的人头检测技术中,具有检测率高、检测速度快的优点。它采用矩形特征作为弱分类器,利用积分图快速计算特征值,将强分类器按照级联结构组合,从而提高算法检测速度。但AdaBoost算法本身也有训练时间长、单个弱分类器性能不强、无法避免误检等缺点,本文针对这些不足,采用了几种改进方法。首先,针对传统算法使用单阈值作为弱分类器判断依据造成计算量大,不符合样本特征值分布的缺点,采用了使用双阈值判断弱分类器分类结果的方法。这样做,不仅可以大大减少构造弱分类器所需的时间,更可以提高单个弱分类器的分类性能,从而降低总的弱分类器数量。其次,采用了弱分类器内部结构特征算法。针对弱分类器一旦训练结束就不在改变的现象,给弱分类器一个调整向量和偏移向量,利用遗传算法计算最佳的内部结构调整参数,并进行调整验证。给弱分类器第二次机会提高自身的分类性能的机会,从而提升整个级联分类器的检测效果。再次,针对背景中出现大量误检子窗口的现象,采用了使用简单背景减法提取视频序列中的运动目标,再使用训练好的级联分类器对提取的运动区域进行检测,这样做,一来可以减少被检测区域,从而降低检测时间,二来可以去除背景对检测结果的干扰,降低误检率。最后,针对出现在人体身上的误检区域,采用多摄像机同时拍摄,选取一个作为基准,检测出“人头”区域,利用区域匹配计算出其在其它对应图像中的位置,再对这些位置进行判断,只有被再次检测为“人头’’的子窗口,才最终被认定为“人头”。经过上面各种改进的结合,对比传统AdaBoost算法,本文的算法对于人头检测具有很高的检测率和较低的误检率。(本文来源于《南京理工大学》期刊2014-02-01）
范瑞霞,任复明,方浩[3]（2006）在《基于小区域匹配的运动人体跟踪》一文中研究指出为解决在复杂场景(光照变化、物体移动,增减以及遮挡等干扰)下运动人体跟踪的难题,提出了一种新的跟踪方法.该方法通过背景减除提取人体目标的多个小区域,利用模糊推理评价出它们在相邻两帧间的匹配可靠度;通过跟踪各个可靠度高的小区域,并对可靠度低的小区域进行邻域搜索、位置纠正和估计,完成整个人体目标的跟踪.实验结果表明,该方法能解决遮挡和其他物体的干扰,并能适应光照等环境因素的变化.(本文来源于《北京理工大学学报》期刊2006年11期）
洪广宁,王召巴,陈友兴[4]（2006）在《基于特征区域匹配的运动物体检测》一文中研究指出提出了一种利用特征区域的匹配实现运动目标提取的检测方法。特点是能通过背景图像与当前图像的特征区域中心位置偏差,确定运动目标在背景图像中的确切位置。实验证明,这种方法运算量小,适应性强,并且能在复杂的背景环境下有较好的检测效果。(本文来源于《山西电子技术》期刊2006年01期）
运动区域匹配论文开题报告
（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：
AdaBoost算法在现有的人头检测技术中,具有检测率高、检测速度快的优点。它采用矩形特征作为弱分类器,利用积分图快速计算特征值,将强分类器按照级联结构组合,从而提高算法检测速度。但AdaBoost算法本身也有训练时间长、单个弱分类器性能不强、无法避免误检等缺点,本文针对这些不足,采用了几种改进方法。首先,针对传统算法使用单阈值作为弱分类器判断依据造成计算量大,不符合样本特征值分布的缺点,采用了使用双阈值判断弱分类器分类结果的方法。这样做,不仅可以大大减少构造弱分类器所需的时间,更可以提高单个弱分类器的分类性能,从而降低总的弱分类器数量。其次,采用了弱分类器内部结构特征算法。针对弱分类器一旦训练结束就不在改变的现象,给弱分类器一个调整向量和偏移向量,利用遗传算法计算最佳的内部结构调整参数,并进行调整验证。给弱分类器第二次机会提高自身的分类性能的机会,从而提升整个级联分类器的检测效果。再次,针对背景中出现大量误检子窗口的现象,采用了使用简单背景减法提取视频序列中的运动目标,再使用训练好的级联分类器对提取的运动区域进行检测,这样做,一来可以减少被检测区域,从而降低检测时间,二来可以去除背景对检测结果的干扰,降低误检率。最后,针对出现在人体身上的误检区域,采用多摄像机同时拍摄,选取一个作为基准,检测出“人头”区域,利用区域匹配计算出其在其它对应图像中的位置,再对这些位置进行判断,只有被再次检测为“人头’’的子窗口,才最终被认定为“人头”。经过上面各种改进的结合,对比传统AdaBoost算法,本文的算法对于人头检测具有很高的检测率和较低的误检率。
（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。
运动区域匹配论文参考文献
[1].鲁明珠,张思祥,周围.区域梯度特征耦合运动约束的图像匹配算法[J].计算机工程与设计.2017
[2].杨力.基于多摄像机区域匹配和AdaBoost算法的运动人头检测[D].南京理工大学.2014
[3].范瑞霞,任复明,方浩.基于小区域匹配的运动人体跟踪[J].北京理工大学学报.2006
[4].洪广宁,王召巴,陈友兴.基于特征区域匹配的运动物体检测[J].山西电子技术.2006