导读:本文包含了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,机器人,在线,深度,差分,时域,中值。
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）
李建军[2]（2020）在《农业机器人全方位目标识别与跟踪研究——基于MIMO-OFDM信道编码》一文中研究指出首先介绍了MIMO-OFDM信道编码理论和在该技术上搭建的农业机器人架构,然后利用鱼眼镜头成像、标定与校正方法建立了全方位目标识别系统,并采用图像处理技术和粒子滤波法实现了全方位目标识别与跟踪系统。实验结果表明:农业机器人自主定位精度较高,目标识别与跟踪的准确率也非常好,证明了系统的有效性和可行性。(本文来源于《农机化研究》期刊2020年03期）
郑茂凯[3]（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）
程兴[4]（2019）在《基于无人机的地面目标识别与跟踪》一文中研究指出随着深度学习技术崛起,目标的识别和跟踪技术的准确率被大大提升,从而极大地带动了相关产业的发展,如智能无人车、无人机技术。而无人机因为其特有的灵活性和机动性,更是被广泛应用于军事、商业、监控等各个领域。然而,目前想利用无人机进行目标识别和跟踪并得到较高的精度,存在着一定的困难。在目标的识别和跟踪任务中,就存在着众多的难题。例如,一般的检测网络进行一次检测的耗时较长,无法做到实时检测,而且网络在运行时需要利用GPU,不便于在无人机平台上实现。同时,在跟踪任务中,由于目标存在着外形、光照变化、旋转扭曲、遮挡等方面的因素,长时间保持对目标的稳定跟踪,具有极大的困难。因此,针对目前大量存在于各种场景中识别与跟踪任务需求与难点,利用无人机上有限的计算资源,本论文设计了一套基于无人机的地面目标识别与跟踪系统,完成对图像中目标的识别与跟踪。主要工作如下:首先,论文借鉴目前运行速度较快的检测网络框架,设计目标检测网络的结构,在不同的尺度和长宽比的锚框下,进行目标检测。同时,为了提高网络的检测精度,完成了对网络参数的进一步调试。然后,完成了对传统跟踪及基于相关滤波的跟踪算法的研究,并对相关滤波跟踪算法的目标建模方式进行改进,并与原算法进行对比测试,结果表明该方法提高了跟踪算法的精度。在此基础上,依据目标检测和跟踪的结果,设计了目标位置信息融合算法,并对该算法的合理性进行了测试。最后,完成对整个系统的软件架构设计与测试。在ROS系统中实现了整个系统,并在多个测试集上进行测试。结果表明,本系统能够在无人机所搭载的嵌入式系统上实时运行,稳定性良好,目标定位精度较高,具有良好的使用价值。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
山丹,丛国涛[5]（2019）在《基于FPGA的动态目标识别与跟踪系统设计》一文中研究指出为满足动态目标识别与跟踪系统对实时性、低功耗和小型化的要求,设计了一种以FPGA为核心的电路系统,辅以OV7670视频采集模块和VGA接口显示器,实现对视频图像进行采集、处理、矩形框标识,最终实现对动态的识别、跟踪和显示。其中,对图像的处理部分由FPGA完成,包括缓存、灰度处理、改进的位运算中值滤波、背景前景分离、帧间差分法与背景差分法融合进行运动目标检测与跟踪等,充分利用FPGA的高速并行处理的特点,结合片内RAM高速处理和片外SDRAM大容量特性,实现对视频数据的处理和存储。同时,系统具有抗干扰性较强、小巧、灵活、低功耗、通用性及可扩展性强等特点,既适合工业领域,又适合家居使用。(本文来源于《电子测量技术》期刊2019年10期）
王国文[6]（2019）在《基于全向视觉的足球机器人目标识别与跟踪研究》一文中研究指出视觉信息处理技术对于足球机器人来说,是完成各项任务的最基础以及最关键的技术。本文的研究背景基于RoboCup中型组足球机器人,对中型组足球机器人的研究包括视觉设计、运动控制、硬件设计、路径规划、攻防策略等方面。其中全向视觉系统处于关键性地位,该系统性能的好坏直接对足球机器人任务是否顺利完成起着重要的作用。对这一系统的研究可以促进人工智能领域相关技术的发展,同时也使得机器视觉的应用更加的丰富多样。在中型组足球机器人比赛的应用场景中,目标足球是足球机器人最主要的识别任务。当目标被识别时,会产生外部干扰,如光照强度、图像失真等。因此,抗干扰性以及识别精度是目标识别和跟踪算法主要需要提高和改进的方面。本文主要围绕足球机器人目标识别与跟踪进行了以下一些方面的研究和改进:(1)图像的预处理中型组足球机器人的视觉系统一般采用全向视觉系统,该系统的颜色空间需要有针对性的进行选择,本文通过将HSI颜色空间和YUV颜色空间的分量相结合,设计出了一种更有针对性的颜色空间,更有利于目标的识别。在图像预处理的过程中,对同态滤波算法进行了改进,将该算法与Mallat小波变换结合,弥补了传统同态滤波对于局部特征的增强效果较差的缺点。改进后的方法更能提高图像的信噪比,并且可以较完整的保留原始图像中的局部信息。(2)目标物体的识别在对目标物体进行识别的过程中需要对图像进行区域扫描,一般的方法为逐个像素扫描,这样做的效率比较低。而且足球机器人的目标识别一般采用阈值法,但该方法对光照比较敏感。所以为了克服以上这些缺点,本文提出了基于biSCAN扫描线的SVM算法。经实验验证,该算法的鲁棒性较好,对光照变化有较强的适应力,能够满足比赛需求。(3)目标物体的跟踪本文采用均值漂移来作为目标跟踪的理论依据,并针对全向视觉的特点对目标特征模型进行了改进,使得改进后的算法更加的适用于足球机器人的目标跟踪。该算法对目标形状以及角度的变化的抗干扰性较强,适合应用于全向视觉的目标跟踪中。实验证明该算法对目标的跟踪效果较好,基本满足比赛中对目标跟踪的要求。通观全篇,本文针对传统算法的一些不足进行了改进,提出了基于Mallat小波变换的同态滤波图像增强算法、基于biSCAN的SVM识别算法以及基于全向视觉特点的目标特征模型,实验结果表明,这些改进有效的提升了目标识别与跟踪的准确度以及稳定性。(本文来源于《华侨大学》期刊2019-05-21）
王聪[7]（2019）在《基于深度学习的无人机单目标识别与跟踪算法研究》一文中研究指出随着人工智能的普及,传统的产业也在不断地发生着改变。就无人机而言,越来越多的公司或机构借助于机器视觉或者深度学习等技术使无人机变得更为智能。大多数无人机因其飞行控制处理器性能的制约,通常需要将拍摄到的图像进行压缩、编码,进一步地传输到地面端进行相应处理。然而,将图像传输到地面端过程中的编码、解码等工作消耗额外的时间,会影响整个系统的实时性。另外,在复杂的电磁环境中,无人机与地面工作站的信息传输会受到很大的干扰,严重影响系统的稳定性。本课题通过在无人机端搭载协同处理器,基于机器人操作系统及深度学习算法,使用计算机视觉对来自相机的视频进行实时处理,进而实现智能无人机对单目标的实时识别、检测与跟踪。其中,基于MobileNets神经网络实现了无人机对目标的识别算法,基于MobileNet-SSD神经网络实现无人机对目标的检测算法。通过目标检测算法来获取目标中心点坐标后,再基于小孔成像原理及相关坐标系间的线性转换来计算出目标在世界坐标系中的真实坐标点。由于线性模型在计算的过程中不考虑镜头的畸变现象,因此精确度会有些许误差,通过对相机的定标技术可以计算出更为准确的坐标。当获取到准确坐标后,无人机通过GPS进行坐标定位从当前坐标飞行至下一坐标点,以实现无人机对目标的跟踪。基于ROS及Gazebo平台搭建了无人机仿真验证平台,通过QGroundControl对无人机进行了调试和校准,并通过硬件在环仿真对以上的单目标识别、检测及跟踪算法进行了验证和分析,实验证明基于MobileNets神经网络的单目标识别算法及基于MobileNet-SSD神经网络实现单目标检测算法皆可达到比较好的效果,无人机能够对目标实现实时跟踪,充分满足课题中的相关需求。(本文来源于《华侨大学》期刊2019-05-20）
邓豪[8]（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[9]（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[10]（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）
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：
首先介绍了MIMO-OFDM信道编码理论和在该技术上搭建的农业机器人架构,然后利用鱼眼镜头成像、标定与校正方法建立了全方位目标识别系统,并采用图像处理技术和粒子滤波法实现了全方位目标识别与跟踪系统。实验结果表明:农业机器人自主定位精度较高,目标识别与跟踪的准确率也非常好,证明了系统的有效性和可行性。
（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。
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].李建军.农业机器人全方位目标识别与跟踪研究——基于MIMO-OFDM信道编码[J].农机化研究.2020
[3].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
[4].程兴.基于无人机的地面目标识别与跟踪[D].哈尔滨工业大学.2019
[5].山丹,丛国涛.基于FPGA的动态目标识别与跟踪系统设计[J].电子测量技术.2019
[6].王国文.基于全向视觉的足球机器人目标识别与跟踪研究[D].华侨大学.2019
[7].王聪.基于深度学习的无人机单目标识别与跟踪算法研究[D].华侨大学.2019
[8].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
[9].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
[10].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