导读:本文包含了上下文相关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:上下文,目标,自适应,卡尔,视觉,滤波器,遮挡。
上下文相关论文文献综述
陈万敏,尚振宏,刘辉[1]（2019）在《结合时空上下文信息的相关滤波目标跟踪方法》一文中研究指出针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法。该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题。在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比。结果表明,该算法的平均距离精度值和平均重迭精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生。(本文来源于《红外技术》期刊2019年09期）
司元[2]（2019）在《上下文感知相关滤波目标跟踪算法研究》一文中研究指出目标跟踪是计算机视觉中的一个重要研究方向,有着广泛的应用,如:视频监控,人机交互,无人驾驶等。过去二叁十年视觉目标跟踪技术取得了长足的进步,特别是最近两年利用深度学习的目标跟踪方法取得了令人满意的效果,使目标跟踪技术获得了突破性的进展。目标(单目标)跟踪就是在给定某视频序列初始帧的目标大小与位的情况下,预测后续帧中该目标的大小与位置。运动目标跟踪是一个极具挑战性的任务,因为对于运动目标而言,其运动的场景非常复杂并且经常发生变化,或是目标本身也会不断变化,如何在复杂场景中识别并跟踪不断变化的目标就成为一个挑战性的任务。目标跟踪方法根据观测模型是生成式模型或判别式模型可以被分为生成式方法和判别式方法。生成式跟踪方法于前几年比较盛行,而近来判别式跟踪方法逐渐占据了主流地位,以相关滤波和深度学习为代表的判别式方法取得了令人满意的效果。论文对上下文感知相关滤波目标跟踪算法进行了改进,主要研究工作如下:(1)针对原文算法在构建滤波器模型时,对目标周围的上下文区域同等看待,生成的滤波器模型对于快速运动和尺度变化等因素表现不够稳健,为此,改进的算法中采用稀疏光流法创建上下文权值矩阵,用加权后的上下文重构滤波器模型,最后通过与其他算法进行对比实验验证了改进算法的有效性。(2)针对原文算法模型目标在经历背景混乱、相似物干扰及目标形变、尺度变化时表现的跟踪不稳定现象,采用背景抑制模型和颜色概率模型分别确定目标估计位置,最后,将这两种模型所确定的目标位置依据各自的响应分数进行线性加权确定最终位置,经过对比试验证明了提出算法的可行性。(本文来源于《湖南工业大学》期刊2019-06-05）
张微[3]（2019）在《基于相关滤波的时空上下文感知目标跟踪方法研究》一文中研究指出目标跟踪是计算机视觉领域的重要问题之一,在视频监控、无人驾驶、人机交互、行为识别等领域有着广泛应用,受到研究人员的普遍关注。近年来,基于相关滤波的跟踪方法(Correlation Filter based Trackers,CFTs)取得了显着的进展,迅速成为当前研究热点。虽然已经涌现出了大量方法,但是由于目标跟踪问题本身的复杂性、跟踪场景的多变性以及应用背景的多样性,实现稳健高效的目标跟踪仍然是极具挑战性的课题,尤其是长时目标跟踪中的频繁、严重遮挡及目标的重定位问题。本文针对跟踪过程中,因缺乏目标先验、目标遮挡以及长时跟踪等引起的模型偏移问题,基于相关滤波理论,从建立稳健高效的目标外观模型出发,通过合理利用目标上下文和时空信息,研究鲁棒的目标跟踪方法。本文主要工作和贡献如下:(1)提出一种上下文感知遮挡检测的目标跟踪方法。针对跟踪中常见的遮挡问题,提出一种上下文感知遮挡检测的目标跟踪方法。该方法在多特征核相关滤波(Kernelized Correlation Filter,KCF)估计目标初始位置的基础上,充分利用目标上下文信息和目标连续帧时序上的稳定性判断其遮挡状态。通过相关滤波器反映最可靠目标与其上下文区域之间的内在关系,并融合相关响应稳定性约束,估计当前目标状态。其次,根据遮挡状态和目标外观变化,自适应更新目标外观模型。实验结果表明,所提方法的目标遮挡处理策略利用上下文信息能够有效判断目标当前状态,其连续帧相关响应的可靠性约束使得判断结果更加稳定,提高了跟踪精度和成功率。(2)提出一种融合显着性检测的自适应目标跟踪方法。针对跟踪中因缺乏目标先验而产生模型偏移的问题,将视觉显着性引入KCF框架中,通过快速显着性检测、显着目标提取、候选目标估计以及最优位置判定,实现低跟踪置信度情况下初始跟踪结果不准确的校正。其次,基于相关响应图变化设计一种遮挡判别因子,联合相邻帧跟踪置信度波动,自适应调整学习率,实现模型更新。实验结果与分析表明,视觉显着性能够凸显上下文感兴趣目标,减少复杂背景的干扰,校正初始跟踪结果的不准确。自适应更新策略也有助于解决遮挡问题并保持可靠的目标外观。所提方法相比于12种经典跟踪器获得较好跟踪性能的同时,能够满足实时跟踪的需要。(3)提出一种增强遮挡检测和多峰重定位结合的长时目标跟踪方法。长时跟踪任务仍然具有挑战性,特别是严重遮挡问题。针对这一问题,首先建立一种自适应互学习模型。在全局颜色模型和多特征判别式相关滤波器(Discriminative Correlation Filter,DCF)两种互补模型的基础上,通过充分检测其可靠性,进行融合与决策,估计目标初始位置。其次,提出一种平均遮挡距离度量。当检测到遮挡时,触发多峰重定位模块,与长时记忆保持机制协作,实现跟踪失败情况下的目标恢复。目标重定位模块基于融合响应图的多峰属性设计,能够在空间上获取多个样本。长时记忆保持机制通过自适应更新,维护模型时间上的可靠性,使其具有跟踪失败情况下重新感知目标的能力。与17种经典跟踪器的对比实验表明,所提方法能够处理长时跟踪中的严重遮挡问题,具有较高的准确性和鲁棒性,并能够满足实时跟踪的需要。(4)提出一种短时时空相关模型和长时重检测器协同的目标跟踪方法。大多数现有跟踪器在短时遮挡、显着外观和光照变化等情况下表现良好,但在长时跟踪中遇到重大挑战。这些挑战包括频繁或持久遮挡,以及目标从视野中消失。针对这一问题,提出一种协同长时目标跟踪方法。该方法包括叁个部分:短时跟踪组件,跟踪不确定性检测和长时重检测组件。时空信息充分融入各个组件,它们相互交互、协同运行以实现稳健高效的长时跟踪。首先,提出一种时空相关模型作为短时组件,利用时空约束实现正则化优化,提高目标/背景的判别力,用于在每一帧定位可见目标。其次,基于目标在空间上的可靠性和时间上的一致性,设计一种不确定性检测机制,用于在必要时触发长时重检测器。最后,提出一种时空感知的长时重检测器。该方法先通过粒子滤波、相关导引、最近邻合并实现空间上的样本采样与精简,再经模板匹配和置信度重排实现目标重新可见后的恢复。目标模板通过自适应更新能够保持长时记忆,进一步提升方法在目标重现后的感知恢复能力。实验结果与分析表明,与18种经典跟踪器相比,该方法具有更高的鲁棒性和准确性,能够应对长时跟踪中出现的频繁或持久遮挡等问题。(本文来源于《西北大学》期刊2019-06-01）
刘波,许廷发,李相民,史国凯,黄博[4]（2019）在《自适应上下文感知相关滤波跟踪》一文中研究指出针对上下文感知相关滤波目标跟踪算法中,上下文背景样本等值权重训练,对背景信息滤波过于平滑的问题,提出了一种自适应上下文感知相关滤波算法,同时为了解决目标遮挡的问题,引入一种新的遮挡判定指标。首先,提取目标上下左右4个方向的背景样本学习到滤波器中,利用卡尔曼滤波对目标运动状态进行估计,预测目标的运动方向。在滤波器训练时,对目标运动方向上的背景样本训练时赋予较多的权重;接着,在模型更新时引入一个新的遮挡判定指标APCE,只有当响应峰值和APCE数值分别一定比例大于各自的历史均值时,才对目标模型进行更新;最后将本文算法与当前一些主流的跟踪算法在CVPR 2013 Benchmark进行对比实验。仿真实验结果表明,本文算法的精准率和成功率分别为0. 810和0. 701,均优于其他算法,充分体现出了本文提出算法的鲁棒性。(本文来源于《中国光学》期刊2019年02期）
谭翠媚,刘波[5]（2019）在《双约束上下文感知相关滤波跟踪算法》一文中研究指出提出一种双约束上下文感知相关滤波跟踪算法。针对最小输出平方和误差滤波器的无偏估计容易引起过拟合的情况,结合线性岭回归训练的滤波器,提高算法的泛化能力;根据上下文感知相关滤波中的背景选择方向固定,进行基于卡尔曼滤波的自适应背景选择,提高滤波器对目标及背景的判别性;同时在目标模型更新策略中使用新的遮挡判据APCE。最后将本文算法与当前主流的跟踪算法做仿真对比,验证了本文算法的优越性和鲁棒性。(本文来源于《自动化与信息工程》期刊2019年01期）
王路,张璐,李寿山,周国栋[6]（2019）在《基于注意力机制的上下文相关的问答配对方法》一文中研究指出目前,关于问答的大部分研究都是面向正式文本的问答对。然而,与以往研究不同的是,该文关注于社会媒体上存在的非正式文本问答对。非正式文本会存在问题文本里包含多个问题以及回答文本里包含多个回答的情况。针对该情况,我们提出了一个新的任务:问答配对,即对问题文本的每个问题,从答案文本中找到和该问题相关的句子。首先,我们从产品问答网站上收集了大规模非正式文本问答对,并在此基础上创建了一个产品问答配对语料库。其次,为了解决非正式文本中存在的噪声问题,提出了一种基于注意力机制的上下文相关的问答配对方法。实验结果表明,该文提出的方法能有效地提升非正式文本的问答配对的性能。(本文来源于《中文信息学报》期刊2019年01期）
熊昌镇,卢颜,闫佳庆[7]（2019）在《融合上下文和重定位的加权相关滤波跟踪算法》一文中研究指出为提升融合梯度直方图特征和颜色属性特征的有效卷积操作跟踪算法(ECO-HC)的跟踪精度和速度,提出一种融合上下文和重定位的加权相关滤波跟踪方法。根据梯度直方图和颜色属性的不同特性加权融合相关滤波响应值,采用自适应迭代方法预测目标位置;融合多尺度搜索区域,目标上下文特征和目标预测失败时重定位方法进一步提高跟踪精度。在标准数据集OTB-100上进行算法评估,实验结果表明,所提算法的平均距离精度为89.2%,平均重迭率精度为80.6%,比ECO-HC算法分别高3.6%和2.1%。中央处理器的跟踪速度达65.2 frame/s,优于实验中对比的其他跟踪算法。所提算法有效地提高了跟踪精度,在严重遮挡、光照变化等干扰下,仍能较好地跟踪目标。(本文来源于《光学学报》期刊2019年04期）
何冉,陈自力,刘建军,高喜俊[8]（2019）在《自适应上下文感知相关滤波目标跟踪》一文中研究指出针对传统相关滤波目标跟踪算法在目标快速运动、遮挡、复杂背景等情况下跟踪精度低的问题,提出了一种自适应上下文感知的相关滤波目标跟踪算法。在相关滤波算法框架的基础上,重点针对循环移位带来的边界效应与固定学习率进行改进:首先,在分类器训练阶段提出一种基于响应图极值的自适应采样策略加入上下文信息;然后,采用了一种分段学习率调整策略使算法更好地适应目标变化;最后,在标准数据集上验证了算法的性能。实验结果表明,提出的算法提高了DCF与SAMF算法的跟踪精度,不仅在目标快速运动、遮挡、复杂背景等情况下鲁棒性较好,而且还能作为一种框架集成到大部分相关滤波类算法中。(本文来源于《电光与控制》期刊2019年05期）
张驰,韩立新,徐国夏[9]（2018）在《自步上下文感知的相关滤波跟踪算法》一文中研究指出针对目标跟踪中的目标尺度变换、遮挡、快速运动等问题,提出自步上下文感知的相关滤波跟踪算法。首先在正则化最小二乘分类器中引入目标的全局上下文信息,使得这些上下文信息能够被滤波器所学到,并对目标产生高响应,对上下文信息接近零响应;然后引入自步学习,给每一帧的目标和上下文信息赋予权重,挑选出可靠的目标和上下文信息,更新滤波模板;最后学习得到稳健和高效的外观模型。实验表明本文算法在距离精度(DP)提高了2. 81%,成功率(SR)提高了13. 9%,具有较好的跟踪效果。(本文来源于《计算机与现代化》期刊2018年11期）
万欣,张春辉,张琳,周凡[10]（2018）在《加权全局上下文感知相关滤波视觉跟踪算法》一文中研究指出基于上下文感知(Context-Aware,CA)框架的相关滤波算法是新近提出的一种视觉跟踪算法,其不足是在处理快速运动、运动模糊、遮挡、比例变化等情形时同等对待上下文信息,降低了视觉跟踪的鲁棒性。针对上述问题,提出了基于加权全局上下文感知(Weighted Global Context-Aware,WGCA)框架的相关滤波视觉跟踪算法。重构了原始的优化问题;根据上下文不同区域与追踪目标运动相似度的大小,赋予上下文区域不同的权值,计算出权值矩阵;给出了单通道和多通道情形的原始域、对偶域的闭式解。通过在基准测试集OTB-100上进行实验,结果表明该框架显着提高了相关滤波器的鲁棒性,其跟踪速度与CA框架相当,但跟踪精度和成功率较后者分别提高了7%和14%。(本文来源于《计算机工程与应用》期刊2018年16期）
上下文相关论文开题报告
（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：
目标跟踪是计算机视觉中的一个重要研究方向,有着广泛的应用,如:视频监控,人机交互,无人驾驶等。过去二叁十年视觉目标跟踪技术取得了长足的进步,特别是最近两年利用深度学习的目标跟踪方法取得了令人满意的效果,使目标跟踪技术获得了突破性的进展。目标(单目标)跟踪就是在给定某视频序列初始帧的目标大小与位的情况下,预测后续帧中该目标的大小与位置。运动目标跟踪是一个极具挑战性的任务,因为对于运动目标而言,其运动的场景非常复杂并且经常发生变化,或是目标本身也会不断变化,如何在复杂场景中识别并跟踪不断变化的目标就成为一个挑战性的任务。目标跟踪方法根据观测模型是生成式模型或判别式模型可以被分为生成式方法和判别式方法。生成式跟踪方法于前几年比较盛行,而近来判别式跟踪方法逐渐占据了主流地位,以相关滤波和深度学习为代表的判别式方法取得了令人满意的效果。论文对上下文感知相关滤波目标跟踪算法进行了改进,主要研究工作如下:(1)针对原文算法在构建滤波器模型时,对目标周围的上下文区域同等看待,生成的滤波器模型对于快速运动和尺度变化等因素表现不够稳健,为此,改进的算法中采用稀疏光流法创建上下文权值矩阵,用加权后的上下文重构滤波器模型,最后通过与其他算法进行对比实验验证了改进算法的有效性。(2)针对原文算法模型目标在经历背景混乱、相似物干扰及目标形变、尺度变化时表现的跟踪不稳定现象,采用背景抑制模型和颜色概率模型分别确定目标估计位置,最后,将这两种模型所确定的目标位置依据各自的响应分数进行线性加权确定最终位置,经过对比试验证明了提出算法的可行性。
（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。
上下文相关论文参考文献
[1].陈万敏,尚振宏,刘辉.结合时空上下文信息的相关滤波目标跟踪方法[J].红外技术.2019
[2].司元.上下文感知相关滤波目标跟踪算法研究[D].湖南工业大学.2019
[3].张微.基于相关滤波的时空上下文感知目标跟踪方法研究[D].西北大学.2019
[4].刘波,许廷发,李相民,史国凯,黄博.自适应上下文感知相关滤波跟踪[J].中国光学.2019
[5].谭翠媚,刘波.双约束上下文感知相关滤波跟踪算法[J].自动化与信息工程.2019
[6].王路,张璐,李寿山,周国栋.基于注意力机制的上下文相关的问答配对方法[J].中文信息学报.2019
[7].熊昌镇,卢颜,闫佳庆.融合上下文和重定位的加权相关滤波跟踪算法[J].光学学报.2019
[8].何冉,陈自力,刘建军,高喜俊.自适应上下文感知相关滤波目标跟踪[J].电光与控制.2019
[9].张驰,韩立新,徐国夏.自步上下文感知的相关滤波跟踪算法[J].计算机与现代化.2018
[10].万欣,张春辉,张琳,周凡.加权全局上下文感知相关滤波视觉跟踪算法[J].计算机工程与应用.2018
论文知识图
