导读:本文包含了运动图像检测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:目标,图像,尺度,算法,高斯,模型,阈值。
运动图像检测论文文献综述
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）
吴飞燕[2]（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）
张婧懿,隋思逸[3]（2018）在《基于高斯混合模型联合CamShift的运动图像检测跟踪方法》一文中研究指出CamShift算法是典型的运动图像跟踪方法,但是单纯CamShift准确率低,容易丢失目标;将高斯混合模型运用到CamShift算法中进行目标跟踪操作,提高准确性;首先采用高斯混合模型标示出目标局部区域,并将其作为CamShift的初始搜索窗,提高效率;随后对目标进行跟踪时将CamShift算法的窗中心同差分法计算出的目标区域中心作对比,确定后续帧搜索窗,避免目标跟踪丢失;最后,实验证明了该方法可以对目标进行有效跟踪,且在目标颜色同背景色差异小的情况下依然具有非常高的准确率。(本文来源于《计算机测量与控制》期刊2018年05期）
雷稳[4]（2017）在《基于嵌入式Linux的运动图像检测技术研究》一文中研究指出运动图像检测是视频监控系统向智能化发展的一项重要研究内容。论文研究了基于ADSP-BF609的小型智能家居监控系统的设计与实现。系统针对无人看守的设施、家居及办公场所进行实时智能监控,让人工监控从枯燥的监控中得以摆脱。本文深入研究了运动图像检测的常用方法,包括光流法、背景差法和相邻帧差法的基本原理。在Visual Studio 2010开发环境下通过配置OpenCV视觉库进行仿真验证各种算法的优缺点。系统选取BF609双内核处理器作为运动图像检测硬件的处理核心,按照模块化思想,结合运动图像检测系统实现的功能要求,给出了视频采集、图像预处理、外部存储、视频输出、系统报警等功能模块设计方案。通过BF609板上的TWI接口对摄像头OV9650控制寄存器的初始化实现图像质量控制,通过并行扩展接口EPPI1及其专用的DMA控制器进行参数配置完成图像采集存储,通过对PIXC处理单元的参数配置,实现YUV到RGB的图像格式转换,视频编码芯片(CH7024)完成视频编码输出,音频编解码器(SSM2603)实现报警功能。论文采用嵌入式Linux操作系统为平台,在PC机上建立了一套完整的交叉开发环境,并在该环境下完成了U-Boot和blackfin buildroot系统到运动图像检测硬件平台的移植。为了充分利用DSP双核资源,系统总体软件采用非对称程序设计模式,在CORE0上主要完成控制功能,包括操作系统运行、片上外设的初始化、视频图像输出以及报警功能程序的实现,而将图像处理的复杂任务放在CORE1上处理,主要包括图像采集和图像处理功能,两核之间通过MCAPI协议进行通信。结合嵌入式Linux程序开发的特点,编写了相关硬件驱动、视频采集和输出等软件程序,移植了运动图像检测程序,实现运动检测及报警等功能。完成系统测试平台搭建,对运动目标检测系统进行测试,结果表明该系统能够对运动目标进行有效地检测并作出相应的报警响应,具有一定的实时性和稳定性。为了提高运动图像检测系统的适用性,可以进一步增加人脸识别,网络通信等功能。(本文来源于《西安电子科技大学》期刊2017-06-01）
于海鹏,王佳欣,文政颖[5]（2016）在《引入Harris角点检测的运动图像边缘轮廓提取》一文中研究指出对运动目标图像进行边缘轮廓特征提取,提高运动图像的电子稳像性能,从而准确实现运动目标的检测和识别.提出了一种基于Harris角点检测的运动图像边缘轮廓提取算法,对运动图像进行仿射不变闭合区域增强处理,采用Kalman滤波和运动状态相邻帧补偿的方法进行运动图像Harris角点检测,提高相邻两帧之间边缘轮廓的角点检测能力,实现了运动图像边缘轮廓的提取和稳像处理.仿真结果表明,用该方法进行图像边缘轮廓角点提取的准确度高且稳健性好.(本文来源于《河南工程学院学报(自然科学版)》期刊2016年03期）
罗芳[6]（2016）在《基于视频监控的运动图像检测算法研究》一文中研究指出运动图像的检测是目前智能监控技术发展的前沿技术,能够成功地将运动目标从背景图像中检测出来是该智能监控识别系统最关键的一步。文章将传统的图像处理方法运用在运动对象上,通过实验比较,分析背景差分法、光流法和帧间差分法的优点和缺点,为视频监控下的图像缺陷检测或智能识别技术提供一定的参考。(本文来源于《无线互联科技》期刊2016年07期）
王娟,张志勋[7]（2015）在《跨尺度运动图像的目标检测与追踪探究》一文中研究指出当前,受到环境中的光度变化、噪声等不良因素的干扰,基于空间传感器所采集到的空间运动图像的视觉分辨率普遍比较低,因而严重影响着空间运动目标精确定位。鉴于此,加强对跨尺度运动图像目标的检测和追踪研究具有重要的现实应用价值。本文通过分析基于空间图像的跨尺度特征,论述了跨尺度运动图像的目标检测和追踪方法,从而不断实现空间运动目标定位的准确性。(本文来源于《信息技术与信息化》期刊2015年09期）
周俊[8]（2015）在《空间运动图像序列目标检测与追踪方法研究》一文中研究指出运动目标检测和追踪在目前计算机视觉方面是一个大的方向。面对研究的深入和应用的日渐广泛,其需要解决的问题也日益增多和复杂。需要应用的场景也更加多种多样。本文针对不稳定的背景以及自适应目标检测以及追踪丢失等问题对运动图像序列的目标追踪进行研究,论文完成的主要工作如下：(1)基于亮度补偿的图像序列前后帧配准研究面对运动目标跟踪的应用场景中,出现的摄像头不稳定的情况以及目标追踪不持续等情况本文通过各种改进方法提出了一种基于稳定特征点的前后帧配准算法。实现了目标追踪的应用方面的拓展。通过解决前后帧配准的问题,使得摄像头不稳定情况下的目标追踪能够用结合目前已有的目标追踪算法比如均值漂移或者粒子滤波等办法来解决。而前后帧配准过程中同时还应用了光照补偿和特征点计算等图像处理方法,使得最终的处理效果更加准确。算法对前后10帧图像进行稳定特征点提取来简化特征点的提取工作,同时不影响效果。通过少量的稳定特征点来获取配准参数,进而获得准确的配准结果。(2)自适应目标检测算法的研究针对自适应目标追踪的问题,提出了基于目标模板匹配的均值漂移目标检测算法。该算法是通过预先存储目标的模板图片的方法,在进行目标检测的初始阶段利用模板匹配算法进行目标的初始位置的搜索,并能达到较高的初始精确度,在同粒子滤波和卡尔曼滤波相比中心点误差降低将近10%。所提算法能够满足自适应目标检测的要求。(3)运动图像序列的目标持续追踪方法研究在目标持续追踪方面也是结合了kalman滤波和NCC模板匹配两种办法,提出了一种基于中心点的NCC模板匹配算法(CPNCC)和卡尔曼(kalman)算法的目标持续追踪算法,对运动目标的远近变化能保持较高的准确性。对光照变化则是采用基于相位一致性的办法对亮度变化具有鲁棒性。该方法巧妙地解决了运动目标在追踪过程中由于处于静止状态时kalman滤波无法继续追踪的问题,实现了目标的持续追踪效果。(4)运动图像序列目标追踪系统的实现结合上面3个研究内容,实现了算法的验证系统。系统基于matlab的图形界面编程。我们将验证系统分为叁个子模块,分别用于实现以上叁个研究内容的算法功能。最后对系统进行了测试,检验其有效性和完整性。(本文来源于《北京邮电大学》期刊2015-01-14）
韩鹏程[9]（2014）在《跨尺度运动图像的目标检测与追踪研究》一文中研究指出跨尺度运动图像的目标检测与追踪研究是利用利用空间传感器采集的空间运动图像信息综合分析空间运动目标轨道运行、飞行功能、空间站使用等情况,最终目标是掌握空间飞行器和空间站的运行态势,为空间攻防和航天活动提供更多有价值的空间运动目标信息。受限于复杂多变的空间环境因素以及成像装置和传输设备硬件上的缺陷,空间运动图像在被观测设备捕获、传输和存储的过程中,不可避免地会出现弱化效应,这种现象会导致空间运动图像在用于空间运动目标分割、检测、追踪等操作时出现较大的误差,并会降低空间运动目标识别的整体真实性,在很大程度上限制了空间运动目标对接、空间飞行器监控和空间运动目标的实时操作。本文进行了空间图像跨尺度特征提取、跨尺度运动图像目标检测、跨尺度空间运动图像目标追踪等关键技术的研究,论文的主要贡献和创新点如下：(1)提出了贝叶斯非局部均值滤波算法(BNL-Means), BNL-Means算法可以对空间运动图像进行有效地非局部均值滤波。提出了空间图像跨尺度特征提取算法(SITFE), SITFE算法使用非向下采样轮廓波变换(NSCT)对空间运动图像进行跨尺度分解,非向下采样轮廓波变换的双滤波器组结构可以解决现有滤波器的单一轨迹问题,相关的Mapping方法可以清除2-D滤波器存在的数据冗余。实验结果表明,与现有的非局部均值滤波算法相比,BNL-Means算法可以提高峰值信噪比(PSNR)1.8%,提高特征提取结构相似性(MSSIM)2.91%。在不同噪声级别下,SITFE算法与Curvelet特征提取算法相比可以提高PSNR值1.5dB-1.9dB;与轮廓波特征提取算法相比SITFE算法可以提高PSNR值1.0dB-1.2dB。在不同类型噪声的干扰下,SITFE算法与Curvelet特征提取算法相比可以提高MSSIM18.9%,与轮廓波特征提取算法相比SITFE算法可以提高MSSIM12.1%。(2)提出了小波光流估计算法(WOF),WOF算法可以准确地估计同运动场景中具有不同运动速率的运动目标,解决了传统光流估计对于快速运动目标的检测准确率降低的问题,WOF算法还提高了光流计算的效率。提出了矩形窗口扫描算法(RWS),RWS算法可以实现运动目标检测的自适应调节,可以在运动图像间隔帧之间实现连续的运动目标检测。实验结果表明,与Lucas Kanade算法、Horn Schunck算法、Occlusion-Aware Optical Flow算法相比,WOF算法可以提高运动图像序列运动目标估计准确度(SFDA)分别为10.4%,13.6%和12.7%,提高光流计算的效率分别为28.94%、27.65%、38.11%。实验结果表明,与现有的SIFT特征目标检测算法、帧差法(BS)、霍夫曼树目标检测算法(HF)相比,RWS算法可以提高运动目标检测准确度(ODA)分别为7.29%、16.57%、9.35%,提高运动目标检测精确度(ODP)分别为3.41%、17.5%、4.97%。(3)提出了基于重采样粒子滤波的运动图像目标追踪算法(PFOT) PFOT算法在运动图像目标追踪过程中添加了自适应的多维信号处理,这种处理方式可以从邻近的粒子聚簇中挖掘出新的多样性粒子,保证了运动图像目标追踪结果不受粒子采样位置、运动目标速率等因素变化的影响。利用3D Fourier变换处理图像本身的信号参数,在3D彩色Fourier域融合色彩调和与信号处理对运动目标进行初步分割,利用重采样粒子滤波完成运动目标追踪。实验结果表明,与M-PF算法、S-PF算法、R-PF算法相比,PFOT算法可以提高粒子采样准确度分别为10.35%、27.36%、29.05%。与现有的目标追踪算法SDSROT算法和ILRVT算法相比,PFOT算法可以缩减追踪平方和误差(SSE)超过31.21%和45.78%。(4)提出了基于目标形状活动轮廓的运动图像目标追踪算法(ACOT), ACOT算法实现了运动目标特征点及其邻接区域的实时更新,对突然变动的运动目标形状及其特征也可以保持高鲁棒性的检测。ACOT算法结合运动图像背景和目标形状界限信息,根据运动目标形状轮廓对目标追踪进行自适应调整,克服了现有目标形状轮廓检测追踪算法的拓扑结构限制,提高了运动目标追踪准确度。实验结果表明,与RTSTS算法相比,在X坐标系上,ACOT算法可以降低目标形状轮廓检测均方根误差(RMSE)32.32%,在Y坐标系上,ACOT算法可以降低RMSE20.41%。与SAP算法相比,在X坐标系上,ACOT算法可以降低RMSE20.96%,在Y坐标系上,ACOT算法可以降低RMSE15.19%。ACOT算法与RTSTS算法相比可以缩减目标追踪Euclidean巨离21.67%,与SAP算法相比ACOT算法可以缩减目标追踪Euclidean距离21.26%。(5)提出了Monte Carl。边缘演化算法(MCCE),MCCE算法利用原型金字塔感知变换和Monte Carlo边缘检测,对空间运动图像进行最优方式表示。MCCE算法可以在不同的图像分层上对运动目标进行逼近,在不同尺度间进行运动目标的特征检测和提取,在最大程度上排除空间移动背景干扰,实现了精准的空间运动图像边缘检测。提出了加强奇异点均值偏移算法(ESMS),ESMS算法利用加强奇异点均值偏移计算,实现了视觉敏感关注区域的视觉增强。利用仿射箱形参数估计完善了追踪过程,实现了空间运动目标区域检测的自适应调节,排除了空间运动目标追踪过程中存在的信息干扰。实验结果表明,MCCE算法与Canny算子边缘演化算法相比可以降低边缘检测MSE15.46%,提高PSNR15.63%；与Laplacian算子边缘演化算法相比MCCE算法可以降低边缘检测MSE8.72%,提高PSNR4.62%。与现有的MAMS算法和ODML算法相比,ESMS算法可以缩减目标追踪Euclidian距离分别为16.9%和17.8%。与MAMS算法相比ESM S算法可以缩减目标追踪MSE23.06%,与ODML算法相比ESMS算法可以缩减目标追踪MSE25.24%。与MAMS算法和ODML算法相比,ESMS算法可以缩减目标追踪Bhattacharyya距离分别为29.7%和22.5%。(本文来源于《北京邮电大学》期刊2014-05-10）
张然然,庞海波,张怡[10]（2013）在《运动图像序列中的斑点检测算法》一文中研究指出传统运动图像斑点检测算法通过降低阈值来提高正确检测率,但较高的错误检测率直接影响其后的斑点修复结果。为最大化正确检测率与错误检测率之间的比值,在SROD检测算法的基础上提出改进的斑点检测算法。引入自适应多阈值的概念,对同一帧图像中的不同斑点进行自动收敛,找到合适的阈值,采用纹理匹配方法减小斑点区域中由于运动矢量估计导致的偏差。对实际破损以及人工添加斑点的图像序列进行性能评估,结果表明,改进算法能在得到较高正确检测率的同时降低错误检测率。(本文来源于《计算机工程》期刊2013年08期）
运动图像检测论文开题报告
（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：
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。
（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。
运动图像检测论文参考文献
[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].吴飞燕.基于光流法的运动图像目标检测[J].科技视界.2019
[3].张婧懿,隋思逸.基于高斯混合模型联合CamShift的运动图像检测跟踪方法[J].计算机测量与控制.2018
[4].雷稳.基于嵌入式Linux的运动图像检测技术研究[D].西安电子科技大学.2017
[5].于海鹏,王佳欣,文政颖.引入Harris角点检测的运动图像边缘轮廓提取[J].河南工程学院学报(自然科学版).2016
[6].罗芳.基于视频监控的运动图像检测算法研究[J].无线互联科技.2016
[7].王娟,张志勋.跨尺度运动图像的目标检测与追踪探究[J].信息技术与信息化.2015
[8].周俊.空间运动图像序列目标检测与追踪方法研究[D].北京邮电大学.2015
[9].韩鹏程.跨尺度运动图像的目标检测与追踪研究[D].北京邮电大学.2014
[10].张然然,庞海波,张怡.运动图像序列中的斑点检测算法[J].计算机工程.2013
论文知识图
