导读:本文包含了运动目标提取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,算法,卷积,神经网络,传感器,光学,轨迹。
运动目标提取论文文献综述
徐成强,王营博,曹杰,郝群,袁诗翥[1]（2019）在《基于线阵CCD像素数提取的高速运动目标形变测量方法研究》一文中研究指出针对传统光学成像测量方法对高速运动目标成像帧频低、像质模糊,难以满足对目标形变高精度测量的缺点,提出一种基于线阵CCD像素数提取的高速运动目标形变测量方法。该方法利用线阵CCD高分辨率、高帧频等优势,通过提取线阵CCD输出目标强度——像素曲线斜率变化率最大点来获取目标所占像素数N的像素数提取方法,同时采用DMD模拟高速运动目标形变过程,配合基于线阵CCD像素数提取的高速运动目标形变测量方法进行形变测量实验验证。实验结果显示采用该方法对V=450 km/h的高速运动目标进行形变量测量时,可以满足目标形变测量偏差小于0.3 mm,标准差小于0.5 mm,相对误差最低0.01%。实现了高速运动目标形变量的准确测量,为高速磨损测试、高温形变测试、高压形态测试等奠定了基础。(本文来源于《应用光学》期刊2019年06期）
李想,杨灿坤,周春平,李小娟,张可[2]（2019）在《高分辨率光学卫星图像目标运动信息提取研究综述》一文中研究指出目标运动信息提取技术是指利用卫星遥感检测地面移动目标并估计其运动参数,在智能交通、军事遥感等方面应用广泛,是遥感图像应用的重要方向之一。高分辨率光学卫星图像中动目标的纹理特征更明显,包含的信息更丰富,是大范围目标运动特征研究的良好数据。首先,总结了光学卫星图像动目标研究进展;然后,将高分辨率光学卫星图像目标运动信息提取过程分为动目标检测和运动参数估计2部分,并分别进行算法综述;除已有算法外,还介绍了基于序列全色卫星图像的新型动目标检测方法的原理与思路;最后,分析了已有研究在数据源和算法方面的不足,指出目标运动信息提取向自动化、智能化、实时化发展的趋势。(本文来源于《国土资源遥感》期刊2019年03期）
方岚,于凤芹[3]（2019）在《去除鬼影及阴影的视觉背景提取运动目标检测算法》一文中研究指出针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。(本文来源于《激光与光电子学进展》期刊2019年13期）
徐朝阳[4]（2019）在《毫米波雷达运动人体目标建模与特征提取》一文中研究指出由于人体目标运动状态复杂,散射特性多变,并且探测环境存在强地杂波干扰,所以人体运动状态分类一直是雷达领域的难题之一。本文围绕运动人体目标的探测机理展开,重点研究了步行运动状态下的行人回波模型、运动特征提取方式、运动状态分类、实测数据处理等关键技术。首先根据Boulic模型建立了简化的人体运动模型,将人体的行走过程转换为刚体平移与旋转运动的组合,将身体部件转换为椭圆刚体。建立了LFMCW雷达人体运动回波模型。通过对比模型数据与实测数据的时频图,验证了模型的正确性。其次,对于传统时频分析方式时频聚焦性差的问题,本文结合多重同步压缩算法,通过时频谱的频率维度进行压缩,实现了人体回波微多普勒的“精细刻画”。本文以Rényi熵作为时频谱能量聚焦性的评判准则,并将其作为多重同步压缩门限判定的标准。并且,针对LFMCW雷达距离像存在扩散的问题,设计了基于时频谱的扩散像检测算法,将人体目标的微多普勒信息充分利用。利用图像边缘检测的方式对人体时频谱进行了特征提取处理,并通过SVM分类器实现运动状态分类。最后依托搭建的毫米波实验平台,获取了人体运动的实测数据,验证了算法的可行性。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
杨青,张着洪[5]（2019）在《改进型ViBe算法及其在运动目标提取中的应用》一文中研究指出提出一种基于阈值半径自适应更新及阴影与鬼影检测的改进型Vi Be算法,解决运动场景下Vi Be算法的目标提取效果易受背景高频扰动、摄像机抖动、阴影、鬼影的影响问题。算法设计中,依据当前帧的像素点梯度与背景图序列对应像素点的灰度均方差设计阈值自适应更新策略;依据背景图在HSV空间中的像素值设计阴影去除规则;利用前景-邻域直方图的相似度匹配规则设计鬼影清除规则。实验结果表明,改进型Vi Be算法在保留原有的高效性的同时,能够较好地消除视频图像中隐含的阴影和鬼影,以及抖动对目标提取的影响。(本文来源于《贵州大学学报(自然科学版)》期刊2019年02期）
韩丰宇[6]（2019）在《视频运动目标轨迹智能提取算法与WebGIS集成研究》一文中研究指出人工智能背景下,测绘学对于地球空间信息的管理和分析提出了更高的要求,人们需要更加智能化的感知这个世界。运动目标轨迹信息作为空间信息的一部分对于建设智慧交通,智慧城市至关重要,它可以在突发事故处理、城市公共管理、交通事故鉴定和公共行为检测等发挥重要作用。随着城市化的进程不断加深,视频数据成为重要的空间信息获取手段。视频能够实时的展示运动目标所在的场景和最直观的反应运动目标的轨迹。因此,如何有效的管理视频数据并从视频中获取运动目标的轨迹信息,成为了一个待研究的问题。本文依托国家重点研发计划项目《一体化综合减灾智能服务研究及示范应用项目,2016YFC083100》,基于项目中交通事故灾害减灾服务对运动目标轨迹进行提取、查询、统计和分析的需求,采用基于卷积神经网络的深度学习的方法,从视频中进行运动目标轨迹提取。提出了一种基于Faster R-CNN的视频运动目标轨迹提取方法,并借助WebGIS系统在空间信息管理方面的优势,研发了基于WebGIS的运动目标轨迹提取系统。通过WebGIS与运动目标轨迹提取算法的集成,实现对重点区域视频数据的管理、查询、分析并实现对视频中运动目标的轨迹提取。为项目的后续研究提供系统和算法支撑,实现了轨迹提取与WebGIS视频数据管理的系统集成。本文主要研究内容及结论:(1)通过研究卷积神经网络和基于区域卷积神经网络的基本原理和网络各部分的计算过程与功能,分析了基于区域的卷积神经网络R-CNN,Fast R-CNN,Faster RCNN的关系与发展过程。论证了将Faster R-CNN网络应用于运动目标轨迹提取的可行性。(2)提出了一种基于Faster R-CNN的视频数据运动目标轨迹提取方法。利用Faster R-CNN能够对目标快速定位和特征提取的原理,实现了快速确定目标区域,并在此基础上采用距离加阈值限制的方法进行目标关联。该方法利用了卷积神经网络能够快速进行区域特征提取的特点,且不要求Faster R-CNN模型具有较高目标框回归精度,在保证轨迹提取精度的同时,降低了目标区域确定的时间和数据量;并且通过均匀抽取和目标参考点关联的方法,进一步降低了目标关联的时间。通过实验将本文与基于Camshift的区域提取法对比,结果表明,在时间复杂度基本一致的情况下,该方法大大提高了复杂背景和复杂纹理条件下目标区域确定的准确率,使得轨迹提取率更高。(3)设计了相关的WebGIS系统,将本文提出的算法集成到了WebGIS系统中。论述了WebGIS轨迹提取系统对对数据库建设的要求,说明了空间数据库建设的必要性。研究了不同空间索引的适用范围,并采用PostGIS数据库技术构建了本文所需要的空间索引数据库。研发了具有一定实用价值的基于Node的WebGIS的视频管理与运动目标轨迹提取与利用系统,实现了视频数据管理和检索,轨迹信息提取,地图服务,空间查询和操作等功能模块。(本文来源于《山东农业大学》期刊2019-04-01）
陆兴华,叶铭铭,刘铭原[7]（2019）在《混合背景下像素均值运动目标特征提取算法》一文中研究指出针对传统方法在混合差分背景下对运动目标检测准确性不好的问题,为了提高运动目标检测识别能力,提出一种基于混合背景差法和像素均值技术的运动目标提取算法。构建运动目标的叁维成像模型,对运动目标图像采用混合差分背景分割方法进行图像的模板匹配和自适应分割处理,结合几何边缘重构方法进行运动目标的像素特征提取,对运动图像使用混合差分背景分割方法进行图像的模板匹配和自适应分割处理;采用角点检测方法进行运动目标图像纹理渲染,对运动目标图像的像素信息采用帧分解和像素均值技术进行运动目标的特征提取;结合二值化处理技术进行运动目标的边缘轮廓检测和特征搜索,实现混合差分背景下的像素均值运动目标特征提取。仿真结果表明,采用该算法进行运动目标特征提取的图像处理能力较好,输出图像质量较高,特征提取的准确性较好,提高了运动目标的特征提取和检测能力。(本文来源于《计算机技术与发展》期刊2019年07期）
韩丰宇,范荣双,梁勇,张航,夏普[8]（2019）在《一种运动目标轨迹提取方法》一文中研究指出针对基于区域的轨迹提取类算法的时间复杂度高等问题,该文提出了一种基于Faster R-CNN的目标轨迹提取方法,利用Faster R-CNN能够快速定位和特征提取的原理,快速确定目标区域,在此基础上提出距离加阈值限制的方法进行目标关联。该方法不要求Faster R-CNN模型具有较高目标框回归精度,且充分利用卷积神经网络能够高效提取图像特征的特点,在保证轨迹提取精度的同时,降低了目标区域确定的时间和数据量,且通过均匀抽取和目标参考点关联的方法,进一步降低了目标关联的时间。与基于Camshift的区域提取法对比,在时间复杂度基本一致的情况下,大大提高了复杂背景和复杂纹理条件下目标区域确定的准确率,使得轨迹提取率更高。(本文来源于《测绘科学》期刊2019年07期）
胡涛,朱欣焰,呙维,张发明[9]（2019）在《融合颜色和深度信息的运动目标提取方法》一文中研究指出行人检测是计算机视觉、智能交通等领域研究的热点与难点,基于深度传感器对室内复杂场景下的行人检测展开研究。目前,基于颜色与深度数据的目标检测方法主要包括基于背景学习的方法和基于特征检测算子的方法,前者依赖于视频序列头几十帧的背景知识,帧的数量决定检测质量;后者存在计算量大的问题,训练样本的不足也会影响行人检测结果。因此,深入分析了复杂场景特征,融合颜色和深度信息,提出了RGBD+ViBe(visual background extractor)背景剔除方法,实现前景运动目标的准确提取。实验结果表明,提出的RGBD+ViBe方法在前景运动目标检测准确率方面要明显高于仅考虑颜色或深度信息方法以及RGBD+MoG(model of Gaussian)方法。(本文来源于《武汉大学学报(信息科学版)》期刊2019年02期）
窦修超,李志华,王宁[10]（2019）在《基于纹理特征改进的GFL运动目标提取方法》一文中研究指出基于广义融合套索(GFL)前景模型,融合视频的纹理特征,提出一种基于纹理特征的运动目标提取方法。方法通过GFL前景模型提取前景运动目标和背景,再利用LBP算法提取前景与背景在多个方向上的纹理特征,比较两者纹理特征的相似度,去除前景中的投射阴影,解决由于运动目标遮挡产生的阴影问题,同时还引入误判率去描述模型的准确度。通过对广场、办公室以及体育馆等实际场景进行测试,实验表明提出的算法能够有效去除运动目标产生的阴影。(本文来源于《计算机与现代化》期刊2019年01期）
运动目标提取论文开题报告
（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：
目标运动信息提取技术是指利用卫星遥感检测地面移动目标并估计其运动参数,在智能交通、军事遥感等方面应用广泛,是遥感图像应用的重要方向之一。高分辨率光学卫星图像中动目标的纹理特征更明显,包含的信息更丰富,是大范围目标运动特征研究的良好数据。首先,总结了光学卫星图像动目标研究进展;然后,将高分辨率光学卫星图像目标运动信息提取过程分为动目标检测和运动参数估计2部分,并分别进行算法综述;除已有算法外,还介绍了基于序列全色卫星图像的新型动目标检测方法的原理与思路;最后,分析了已有研究在数据源和算法方面的不足,指出目标运动信息提取向自动化、智能化、实时化发展的趋势。
（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。
运动目标提取论文参考文献
[1].徐成强,王营博,曹杰,郝群,袁诗翥.基于线阵CCD像素数提取的高速运动目标形变测量方法研究[J].应用光学.2019
[2].李想,杨灿坤,周春平,李小娟,张可.高分辨率光学卫星图像目标运动信息提取研究综述[J].国土资源遥感.2019
[3].方岚,于凤芹.去除鬼影及阴影的视觉背景提取运动目标检测算法[J].激光与光电子学进展.2019
[4].徐朝阳.毫米波雷达运动人体目标建模与特征提取[D].哈尔滨工业大学.2019
[5].杨青,张着洪.改进型ViBe算法及其在运动目标提取中的应用[J].贵州大学学报(自然科学版).2019
[6].韩丰宇.视频运动目标轨迹智能提取算法与WebGIS集成研究[D].山东农业大学.2019
[7].陆兴华,叶铭铭,刘铭原.混合背景下像素均值运动目标特征提取算法[J].计算机技术与发展.2019
[8].韩丰宇,范荣双,梁勇,张航,夏普.一种运动目标轨迹提取方法[J].测绘科学.2019
[9].胡涛,朱欣焰,呙维,张发明.融合颜色和深度信息的运动目标提取方法[J].武汉大学学报(信息科学版).2019
[10].窦修超,李志华,王宁.基于纹理特征改进的GFL运动目标提取方法[J].计算机与现代化.2019
论文知识图
