导读:本文包含了运动目标识别与跟踪论文开题报告文献综述、选题提纲参考文献，主要关键词:目标,算法,在线,模型,特征,视觉,差分。
运动目标识别与跟踪论文文献综述写法
韩晓微,岳高峰,谢英红[1]（2019）在《基于时域和梯度的运动目标识别跟踪算法》一文中研究指出针对视频存在噪声干扰及现有算法实时性较差的问题,提出了一种新型的基于时域和梯度的运动目标识别跟踪算法.考虑时间域上视频的形成,用帧差法将图片中的区域划分为变化区域和运动区域;依照2个区域的幅度变化对识别算法进行设计,为了消除背景干扰,对形成的运动区域进行均值滤波;在时域基础上增加了梯度分量,对运动区域形成梯度化轨迹,实现跟踪算法的完整设计.通过实验验证,本算法能够稳定地跟踪前景运动目标,与TLD和CamShift算法相比,在实时性上有明显提升,在耗时上分别缩减12.6%和22.7%.(本文来源于《沈阳大学学报(自然科学版)》期刊2019年05期）
郑茂凯[2]（2019）在《运动目标识别与跟踪方法的研究》一文中研究指出对于运动目标识别与跟踪方法的研究一直以来都是计算机视觉课题研究的热点,广泛应用于视频监控、医疗手术的诊断治疗和智能交通等各方面,所以本课题的研究有着很强的理论意义和实际意义。本文主要是对静态背景下运动目标识别及跟踪方法进行研究,针对复杂背景下目标识别效果不明显以及发生遮挡时跟踪失败的问题,在分析传统的识别、跟踪算法的基础之上加以改进。最终本文取得的研究成果如下:运动目标识别方法的研究。首先对传统的目标识别算法进行分析比较,并根据各自的优缺点,为解决识别效果不明显的问题,在帧差法与背景差分法的基础上提出一种新的改进算法。该算法将融合边缘检测的叁帧差法与基于Surendra算法的背景差分法相结合,在五种不同的环境:简单单一环境下、大尺度及小尺度目标场景下、目标速度很快的场景下、多运动目标环境下和光照环境场景下分别进行实验。结果表明,通过在单一背景和各种复杂背景下进行结果对比,本文提出的新算法能够完整、准确的从图像序列中提取出运动目标,适用于不同的场景,且满足实时性的要求,对环境具有鲁棒性,弥补了帧差法与背景差分法的缺点,可行有效。运动目标跟踪方法的研究。对常用的跟踪技术分类进行了说明,然后重点阐述了Camshift算法的基本原理,并进行实验论证。当目标发生遮挡时会导致跟踪失败,为解决这一问题引入预测器到跟踪过程中,通过预测器对目标在下一帧图像的期望位置进行估计,解决遮挡问题。本文提出一种基于线性预测的方法,将其与Camshift算法相结合,与常见的Kalman+Camshift算法进行实验对比,在叁种不同环境下就跟踪效果、跟踪误差、迭代次数和消耗时间四个方面进行实验比较。结果表示,该方法既能解决遮挡引起的跟踪失败问题,也能满足实时性的要求以及不同环境下跟踪,预测跟踪准确,方法可行有效。通过上述提出的改进算法能够解决目标识别效果不明显以及遮挡导致的跟踪失败问题,新的算法相较于改进前在性能上有很大的提高。(本文来源于《沈阳工业大学》期刊2019-06-03）
邓豪[3]（2019）在《移动机器人平台的运动目标识别与跟踪技术研究》一文中研究指出随着近些年移动机器人在智能服务和智慧城市等各领域的不断发展,其对运动目标的跟随和运动响应也愈发受到关注。随着机器视觉相关技术的持续进步,基于序列图像分析处理获取目标运动状态凭借其成本低、适应性广、部署难度小而广泛应用。但现有识别与跟踪方法尤其是只有第一帧初始信息再无其它先验知识的无模型跟踪方法,存在环境适应性不足、计算量太大、长时间鲁棒性差等特点,使其难以部署于移动机器人平台或良好适应于作业环境。针对以上问题,本文对移动机器人平台的无模型运动目标识别与跟踪技术展开研究。首先,本文对基于特征匹配方法将感兴趣前景目标从序列图像中识别出来进行了研究。对于机器人作业场景图像广泛存在的光照影响设计了自适应Gamma光照均衡方法,采用性能稳定的ORB特征点提取及特征描述方法提取场景图像中的特征点,再通过kNN匹配得到当前帧中目标特征点集。其次,通过金字塔LK光流方法获取序列图像间经成像映射后的目标运动信息,由于光流极易受到环境中的光照干扰,使用了前向-后向误差控制和NCC相似度控制方法对跟踪特征点集进行筛选。再者,为了使系统对应用环境良好适应,保持系统长时间持续鲁棒,并使系统能够在丢失目标之后避免再次手动指向而恢复运行,对基于特征点的检测-跟踪融合框架进行了研究。由于特征匹配和运动表达存在歧义性,本文设计了空间相邻度和特征相似度结合的密度可达条件,并通过密度聚类完成外点筛除。同时对于第一帧中初始信息随着识别与跟踪过程持续进行参考性持续降低容易导致检测结果错误的问题,采用了在序列图像中选取鲁棒关键帧对参考基准进行持续动态更新的方法以适应目标或环境的持续变化。除此之外,还利用目标位置在相邻图像帧之间的相关性,通过当前帧中获得的目标位置及运动状态对后序帧中目标位置进行预测,降低冗余图像信息干扰的同时提升系统实时性。最后,本文搭建了移动机器人图像处理平台,在现实场景进行了适应性测试,并在标准数据集上将本文方法与近年优秀跟踪方法进行了对比实验。(本文来源于《西南科技大学》期刊2019-05-01）
翁静文[4]（2019）在《基于机器学习的运动目标识别与跟踪研究与设计》一文中研究指出基于机器学习的运动目标识别与跟踪是机器视觉和模式识别领域的热门研究内容之一。基于无人机视频的目标识别与跟踪系统作为一种具有预警、防范和主动监测功能的系统,能够有效解决人工处理过程中不及时、误判等实际问题。本文紧扣运动目标识别和跟踪的核心问题,从目标识别、目标跟踪以及识别与跟踪系统设计这叁个方面进行研究。首先,针对目标识别过程中识别精度不高、速率较慢以及存在漏检的问题,研究了一种基于随机森林和支持向量机改进的目标识别算法,该算法针对单一特征影响识别精确度的问题,将颜色特征(Lab)与改进的方向梯度直方图(FHOG)特征融合,再根据随机森林得出目标感兴趣区域中心,然后通过LIBLINEAR分类器在感兴趣区域进行识别。实验结果表明,本文的识别器在行人识别中比传统支持向量机召回率提高了9.35%,漏检率降低了0.68%,速率达到2.70帧/秒。其次,为提高融合了梯度直方图特征和颜色特征的相关滤波算法(ECO-HC)的跟踪性能,研究了一种基于特征融合和自适应学习率改进的相关滤波算法。该算法依据梯度直方图特征和颜色特征各自的特性以及其对无人机行人跟踪性能的影响程度确定特征融合权重,同时采用自适应学习速率方法,使跟踪器能够自适应应对复杂的目标运动的问题。实验结果表明,本文的改进算法在平均距离精度和重迭率上比ECO-HC分别高出3.3%和2.6%,跟踪速度达到51.8帧/秒。最后,本文设计了一套目标识别与跟踪系统,利用识别器识别出首帧图像中的目标,使其作为跟踪器的输入进行后续跟踪,针对在跟踪过程中可能会出现新进入目标的情况,该系统采用间隔帧启动识别器的方法,通过数据关联算法进行多目标并行跟踪,同时利用卡尔曼滤波算法进行辅助监督跟踪,以此确保跟踪精度。通过自建无人机视频集对本系统进行实验验证,结果显示该系统具有稳健的性能和实时性。(本文来源于《西南科技大学》期刊2019-05-01）
石泽琼,毛俊强,李双伟,徐丽蕊,董言治[5]（2019）在《基于OpenCV的运动目标识别跟踪》一文中研究指出实时目标检测与跟踪系统是近年来计算机视觉与模式识别领域的研究热点之一。本文主要是在Visual Studio2012平台下,使用计算机视觉库OpenCV对运动图像进行形态学图像预处理,以及调用CamShift算法对实时运动目标进行识别跟踪。该算法首先计算目标是HSV空间下的HUE分量直方图,通过直方图反向投影得到目标像素的概率分布,再调用CV库中的CamShift算法,自动跟踪并调整目标窗口的中心位置与大小。实验结果表明,该算法性能良好,能够有效地进行实时目标追踪。(本文来源于《中国集成电路》期刊2019年04期）
顾苏杭,戎海龙,马正华[6]（2017）在《融合SIFT特征和HMM的运动目标识别与跟踪算法》一文中研究指出针对动态场景下,由于光照突变、目标旋转以及遮挡等因素容易导致运动目标跟踪丢失,本文提出融合SIFT特征和隐马尔科夫模型算法。将运动目标的SIFT特征作为隐马尔科夫模型训练样本,经训练得到特征最优化的模型参数;通过设定阈值,将模型输出较大计算概率特征样本的集合作为最终目标识别结果,不仅避免了SIFT算法遍历式处理图像像素点带来的大量计算,而且该样本集能够精确反应出目标区域位置信息,从而取代了SIFT算法图像间繁琐的匹配过程,提高目标跟踪的可靠性和稳定性。实验结果表明,目标平均识别率在90%以上,跟踪效果稳定、可靠,具有较好的实时性和鲁棒性。(本文来源于《科技通报》期刊2017年11期）
张玉阳[7]（2017）在《基于双目视觉的运动目标识别与跟踪算法研究》一文中研究指出基于双目视觉的运动目标跟踪系统是在双目视觉技术的基础上,对视频图像序列中的运动目标进行检测与提取,并对感兴趣的目标进行连续跟踪的过程。其主要过程是通过双目相机得到具有深度信息的图像,结合深度图像和灰度图像对运动目标进行检测,计算出每一帧图像中运动目标的位置和大小;然后将每一帧图像中具有相同特性的目标关联起来,得到目标的位置、速度、加速度等信息;最后得到目标在视场中完整的行驶轨迹。本课题以四旋翼无人机地面目标跟踪系统为研究对象,对基于双目视觉的运动目标识别与跟踪算法进行了研究。首先,针对双目视觉系统,通过对现有标定算法进行分析,选择并使用了精确度和灵活度适中的张氏标定法对双目相机进行标定,并对其标定原理和计算过程进行了分析,得到了相机的内、外参数,并对输出的图像进行了校正;针对无人机实时跟踪的要求,采用了速度比较快的BM立体匹配算法对左右图像进行匹配,得到具有深度信息的图像。其次,针对旋翼无人机对地面目标进行跟踪时的背景运动问题,在比较分析了常用背景运动补偿算法的基础上,采用了SURF算法对相邻两帧图像的背景部分进行特征点检测;然后通过仿射变换矩阵对视频图像进行校正;最后针对目标检测过程中出现的光照变化、树叶扰动等干扰,在运动目标检测过程中采用了一种结合深度图像和灰度图像的叁帧差分算法,增加了目标检测的精确度,为后续的跟踪算法提供准确的目标模版。最后,在检测出待跟踪目标的基础上采用Camshift算法进行跟踪,并结合Kalman滤波算法对目标的运动状态进行预测。对跟踪过程中遇到的严重遮挡和大面积同色背景干扰的问题进行了分析,通过对算法进行改进,使之能够自动决策两种算法在跟踪结果中所占的权重问题,有效地解决了上述干扰,增强了系统的鲁棒性。通过搭建双目视觉平台,对本文提出的各种算法采用Matlab或C++语言在计算机环境下仿真并调试完成,利用视频图像进行了仿真实验。(本文来源于《兰州理工大学》期刊2017-04-17）
陈时雨[8]（2016）在《无人机地面运动目标识别与跟踪技术研究》一文中研究指出目标识别与跟踪技术的应用随着科技的不断进步逐渐普遍化,其在抗灾救援、目标搜寻、视频监控等领域发挥着重要的作用。传统的目标识别与跟踪系统往往采用的是静态的视频采集设备,由固定安装的摄像装置组成,这样就极大的局限了视频采集范围,在执行目标跟踪任务过程中就很容易导致目标丢失。近年来,无人机产业的迅速崛起引领了整个信息时代的变化,如今民用无人机在航拍、地理勘测、抗灾救援、电路巡查等方面都有了很好的市场前景,而摄像装置作为无人机执行各类任务必不可少的组成部分,在无人机应用过程中起到了不可替代的作用。针对传统目标跟踪系统的缺陷和不足,本文采用了四旋翼无人机作为目标跟踪系统的搭载平台,提出了一种运动目标跟踪的解决方案,主要从地面运动目标的识别与跟踪算法、无人机定位算法、目标跟踪策略叁个方面进行了研究。针对一般目标识别与跟踪算法的无记忆性和目标易丢失的缺点,本文采用了一种基于在线学习的实时目标跟踪算法,能够实时稳定的对目标进行跟踪,并通过在线学习的方法对目标的特征进行实时更新,使算法适应目标状态的实时变化。在无人机定位方面,本文改进了单目视觉定位算法存在的定位尺度问题,实现了无人机的精确定位。为了使目标跟踪系统能够长时间稳定的对地面运动目标进行实时跟踪,本文提出了一套完整的目标跟踪策略,将整个目标跟踪过程分为目标搜索、目标跟踪、目标丢失叁个阶段,并在每个阶段设计相应的控制策略对无人机的位姿进行实时调整,以达到实时跟踪地面目标以及在目标丢失的情况下将目标寻回的目的。通过搭建仿真平台,本文验证了无人机地面运动目标跟踪系统的可行性,并在实际环境中进行了一系列的实验,进一步证明了目标跟踪算法的可靠性以及目标跟踪策略的完整性和实时性。(本文来源于《哈尔滨工业大学》期刊2016-12-01）
李帅[9]（2016）在《基于机器学习的运动目标识别与跟踪技术研究》一文中研究指出智能视频监控技术是当今热门研究方向,广泛应用在交通视频监控、航天航空、机器人视觉、医学图像等诸多领域。很多学者对此课题研究已经做出大量的成果,但在实际应用中仍有一些问题有待解决。本文基于运动目标识别和跟踪技术展开研究,目的是实现更有实际应用意义和经济价值的智能视频监控系统。本文的主要目标在于实现复杂背景下抗干扰抗遮挡的特定运动目标自动检测与实时跟踪一体化,首先通过目标检测算法提取运动目标,再用机器学习对目标进行识别,最后利用并行协同工作策略进行实时跟踪。主要包括叁个方面的工作:运动目标检测方面,通过比较传统算法,提出一种基于码本算法和叁帧差分法相结合的运动目标检测算法,利用码本算法对背景图像进行学习,再利用叁帧差分法对视频图像进行目标提取,并采用Log边缘检测和连通域填充得到目标前景,将码本算法得到的目标前景与该前景对象进行逻辑“与”运算,得到前景运动目标。该方法可以完整高效地从复杂背景中提取出运动目标,优化了运动目标检测的可靠性和准确度。运动目标识别方面,采用基于梯度方向直方图特征和支持向量机的行人和车辆分类识别方法。首先采集两类样本集,分别提取两类样本的Hog特征对SVM分类器进行训练,SVM通过对样本的学习找到特征向量样本中的支持向量,建立最优分类超平面。再将上述运动目标检测后得到的感兴趣区域作为测试样本,并提取它的Hog特征输入SVM,得到最终分类结果。运动目标跟踪方面,讨论了几种传统跟踪方法的基本原理,采用检测与跟踪并行协同化工作策略,将检测与跟踪分为两个线程同时进行,在感知节点处进行数据传输,定时检测得到的目标信息传送给跟踪线程进行实时跟踪,定时的检测用来不断校正目标以防遮挡及跟丢情况,最终实现了运动目标自动捕获并实时跟踪一体化。(本文来源于《中国科学院长春光学精密机械与物理研究所》期刊2016-10-01）
刘丽红[10]（2016）在《视频监控中运动目标的检测、分类识别与跟踪》一文中研究指出随着时代的进步和发展,人们对社会安全问题越来越重视。视频监控在其中发挥了重要的作用。随着计算机技术和硬件技术的不断发展更新,为视频监控技术的智能化发展提供了充分的硬件平台和技术支持。而对视频中的运动目标进行检测和分析是智能监控的关键技术之一。在实际生活中,视频中大部分有意义的信息都包含在运动目标当中,而智能视频监控就是希望通过计算机来完成运动信息的处理。本文对智能视频系统中的叁个部分作了相关研究,包括运动目标的检测技术、运动目标的跟踪技术和运动目标的分类识别技术。对各部分进行研究的主要内容如下:1.针对自适应混合高斯背景建模学习较慢的问题,本文提出了一种新的学习因子,该学习因子的学习速率随着权重的变化而变化。通过实验对比,证明了该学习因子能够加快均值和方差的学习。由于检测出来的目标存在阴影,本文阴影在HSV(Hue,H;Saturation,S;value,V)空间的特点,提出了一个基于自适应混合高斯模型的阴影检测方法。该检测方法是通过对S、V分量的控制实现阴影检测。通过实验对比,证明该检测模型的时间消耗相对较少且能够有效的消去目标存在的阴影。2.为了能够更为准确的提取出目标特征,提出了一个加权“均值”,采用该“均值”替代其核Fisher判别分析中的类样本均值进行目标分类识别。该“均值”是对每类的每一幅图像进行加权平均,随着每类图像的不断输入权重不断减小。采用该算法进行了两组对比实验,实验一是对视频中的运动目标进行分类识别,实验二是对人脸进行识别。经实验证明该算法能够快速且准确的识别出目标。3.针对传统方法中阈值需要根据不同的背景不断调整的情况,提出了一种自适应的阈值与Kalman滤波相结合的跟踪方法。该阈值通过对每幅图像进行列平均之后排序,取其中的中间值的0.35倍作为背景差的阈值。采用该阈值与Kalman滤波的结合能够较好的跟踪运动目标。(本文来源于《湖南工业大学》期刊2016-06-05）
运动目标识别与跟踪论文开题报告范文
（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：
对于运动目标识别与跟踪方法的研究一直以来都是计算机视觉课题研究的热点,广泛应用于视频监控、医疗手术的诊断治疗和智能交通等各方面,所以本课题的研究有着很强的理论意义和实际意义。本文主要是对静态背景下运动目标识别及跟踪方法进行研究,针对复杂背景下目标识别效果不明显以及发生遮挡时跟踪失败的问题,在分析传统的识别、跟踪算法的基础之上加以改进。最终本文取得的研究成果如下:运动目标识别方法的研究。首先对传统的目标识别算法进行分析比较,并根据各自的优缺点,为解决识别效果不明显的问题,在帧差法与背景差分法的基础上提出一种新的改进算法。该算法将融合边缘检测的叁帧差法与基于Surendra算法的背景差分法相结合,在五种不同的环境:简单单一环境下、大尺度及小尺度目标场景下、目标速度很快的场景下、多运动目标环境下和光照环境场景下分别进行实验。结果表明,通过在单一背景和各种复杂背景下进行结果对比,本文提出的新算法能够完整、准确的从图像序列中提取出运动目标,适用于不同的场景,且满足实时性的要求,对环境具有鲁棒性,弥补了帧差法与背景差分法的缺点,可行有效。运动目标跟踪方法的研究。对常用的跟踪技术分类进行了说明,然后重点阐述了Camshift算法的基本原理,并进行实验论证。当目标发生遮挡时会导致跟踪失败,为解决这一问题引入预测器到跟踪过程中,通过预测器对目标在下一帧图像的期望位置进行估计,解决遮挡问题。本文提出一种基于线性预测的方法,将其与Camshift算法相结合,与常见的Kalman+Camshift算法进行实验对比,在叁种不同环境下就跟踪效果、跟踪误差、迭代次数和消耗时间四个方面进行实验比较。结果表示,该方法既能解决遮挡引起的跟踪失败问题,也能满足实时性的要求以及不同环境下跟踪,预测跟踪准确,方法可行有效。通过上述提出的改进算法能够解决目标识别效果不明显以及遮挡导致的跟踪失败问题,新的算法相较于改进前在性能上有很大的提高。
（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。
运动目标识别与跟踪论文参考文献
[1].韩晓微,岳高峰,谢英红.基于时域和梯度的运动目标识别跟踪算法[J].沈阳大学学报(自然科学版).2019
[2].郑茂凯.运动目标识别与跟踪方法的研究[D].沈阳工业大学.2019
[3].邓豪.移动机器人平台的运动目标识别与跟踪技术研究[D].西南科技大学.2019
[4].翁静文.基于机器学习的运动目标识别与跟踪研究与设计[D].西南科技大学.2019
[5].石泽琼,毛俊强,李双伟,徐丽蕊,董言治.基于OpenCV的运动目标识别跟踪[J].中国集成电路.2019
[6].顾苏杭,戎海龙,马正华.融合SIFT特征和HMM的运动目标识别与跟踪算法[J].科技通报.2017
[7].张玉阳.基于双目视觉的运动目标识别与跟踪算法研究[D].兰州理工大学.2017
[8].陈时雨.无人机地面运动目标识别与跟踪技术研究[D].哈尔滨工业大学.2016
[9].李帅.基于机器学习的运动目标识别与跟踪技术研究[D].中国科学院长春光学精密机械与物理研究所.2016
[10].刘丽红.视频监控中运动目标的检测、分类识别与跟踪[D].湖南工业大学.2016