导读:本文包含了均值平移跟踪论文开题报告文献综述及选题提纲参考文献，主要关键词:目标跟踪,均值平移,前景概率密度函数,椭圆拟合
均值平移跟踪论文文献综述
徐超,高敏,杨锁昌,杨耀[1]（2015）在《尺度和旋转自适应的均值平移目标跟踪算法》一文中研究指出针对不规则目标和背景区分度低的目标在跟踪过程中尺度和旋转自适应的问题,提出了基于前景概率密度函数和椭圆拟合的均值平移目标跟踪算法。首先依据初始化的目标窗口及其周围的背景区域建立前景概率密度函数,抑制跟踪窗口内的背景像素,建立可靠的目标模板;然后将前景概率密度函数引入均值平移的迭代过程,实现跟踪窗口的快速定位;最后计算跟踪窗口内各点的前景概率密度函数,反向投影为前景概率分布图,通过对该图的边缘提取和椭圆拟合,获得当前目标的位置、尺度和旋转信息,并将其用于对下一帧跟踪窗口的初始化。实验结果表明,该方法克服了背景干扰对跟踪窗初始定位和目标信息更新的影响,能够实现对目标尺度和旋转的自适应,具有跟踪稳定和实时性高的特点。(本文来源于《半导体光电》期刊2015年05期）
余朗,王杜娟,乐竹雄[2]（2012）在《基于均值平移和自适应预测的运动目标跟踪》一文中研究指出针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡:部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.(本文来源于《武汉理工大学学报(交通科学与工程版)》期刊2012年04期）
周燕[3]（2012）在《基于SVM和均值平移的红外车辆目标跟踪算法研究》一文中研究指出车辆检测与跟踪技术是智能交通系统(Intelligent Transportation Systems, ITS)与车辆辅助驾驶系统(Driver Assistance System, DAS)中的一个非常重要并具有挑战性的课题。近年来,许多学者对其进行了大量的研究。对于车辆辅助驾驶系统来说,确定路面其他车辆的位置是非常重要的。因而,稳定可靠的车辆检测与跟踪是这些系统的基本步骤。近来,在乍辆辅助驾驶系统方面,出现大量的基于视觉传感器的车辆检测与跟踪的研究,如追尾防撞系统,视觉增强系统等。车辆辅助驾驶系统中的车辆目标检测与跟踪要求对光线及路面条件不变条件下相对稳定的特征提取与跟踪方法,以及在不考虑目标车辆的距离情况下的车辆位置与速度的精确估计。然而,大部分的研究都是采用对光线敏感的可见光视频,在前进过程中车辆会产生严重的阴影问题而导致车辆精确轮廓提取较难,图像质量以及光线要求也相对增加。本文主要使用红外视频图像对车辆目标进行检测与跟踪。与普通可见光视频相比,红外视频对日夜的变化而言图像变化不大,因而光线较差或光线不稳定的条件下,同样能够适用。本文基于支持向量机(SVM)与均值平移的红外车辆目标跟踪算法研究主要分为叁个部分：(1)基于差分演化和平稳小波变换的红外车辆目标增强算法。针对红外图像噪声大,对比度低等特点,本文提出一种基于差分演化和平稳小波变换的非线性自适应增强算法。综合运用信息熵、信噪比和图像的标准差构造增强后图像的评价函数。结合红外图像的特点设计一种非线性变换函数用于在平稳小波域内增强红外图像的对比度。该算法用差分演化算法结合构造的评价函数,寻找最优的非线性变换参数。所提出的算法在有效增强红外图像对比度的同时又对噪声有较强的鲁棒性。红外车辆目标增强示例说明所提出的算法综合性能优十多尺度非线性增强算法、平稳小波非线性增强算法和直方图均衡算法。(2)基于Grow-cut和最小二乘法的红外车辆目标检测算法。首先,采用Grow-cut结合最小二乘法进行车道线检测。实验结果表明,通过种子点选取分割感兴趣区域的方法能否准确地识别出车道线；并对于低分辨率图像也能取得良好的结果。然后,通过闽值放方法在感兴趣区域中寻找高亮区域,通过统计的车辆长与宽确定车辆的粗略位置框,位置框以高亮区域为中心,通过对粗略位置框边缘检测来进一步精确定位车辆位置。实验证明该方法的可行性,与传统方法相比,它能够得到较完整的车辆。(3)基于SVM和Meanshift的红外车辆目标分类与跟踪。首先,提取检测到的红外车辆目标图像的综合特征,将这些图像及附带特征分别分为训练样本与测试样本两个部分,用SVM对训练样本进行训练,然后对测试样本进行测试。实验表明,SVM分类器性能优于BP神经网络和RBF神经网络分类器。然后用Kalman结合Mean-shift进行车辆目标跟踪,其跟踪算法的综合性能优于单独基于Kalman滤波器和Mean-shift的跟踪算法。(本文来源于《浙江师范大学》期刊2012-05-27）
李博江[4]（2009）在《均值平移算法在尺度和速度变化的目标跟踪中的应用研究》一文中研究指出随着计算视觉技术在各方面的应用越来广泛,大量的研究人员纷纷加入到了这个领域的研究之中。而目标跟踪技术作为其中的一个分支也越来越受到人们的重视,因为其无论在军事上还是在民用上都有着相当大的实用价值。本文主要针对近些年来得到广泛关注的基于均值平移的目标跟踪算法进行了深入的研究,并在前人工作的基础之上提出了自己的一些想法,本文的主要工作包括如下几方面:首先,分析了目前基于均值平移的目标跟踪方法所存在的问题,主要包括目标的尺度变化、快速运动和特征选择等。针对这类方法在解决目标尺度变化时所面临的问题,深入研究相关的研究成果,提出了一种改进的带宽矩阵更新方法,并且增加了一个简单的参数滤波方法以平滑带宽参数的估计。通过实验表明,由于对带宽矩阵的更新增加了轮廓函数的限制和带宽参数的平滑滤波,该方法在目标的尺度、位置和方向发生变化的情况下,具有较好的鲁棒性,并且计算简单易于实现实时跟踪。其次,针对传统的基于均值平移的目标跟踪算法里面目标的快速移动以及尺度变化往往会使跟踪方法失效的问题,结合基于SURF匹配定位的方法提出了一种新的均值平移算法。算法利用均值平移方法预测下一帧目标的大概位置,然后在以这点为中心的一个邻域内做基于SURF的特征匹配,用匹配结果建立相邻帧目标中相应特征点的仿射变换,计算得出目标的变换参数和实际位置。基于均值平移的预测方法缩小了SURF的提取和匹配范围,降低了运算复杂度,减少了误匹配的特征点;反过来基于SURF的特征匹配为均值平移方法的参数更新提供了一个很好的解决方案。另外,为了使得匹配速度更好,引入了一种改进的特征匹配方法,一定程度上提高了算法的整体效率。最后,为了解决目标跟踪算法中的初始值需要手工设定的问题,引入了基于多分辨率有监督物体检测算法进行目标的自动定位,结合基于均值平移的目标跟踪方法完成了目标跟踪的整个流程。同时引入梯度方向直方图特征,重新对待跟踪物体进行建模,一定程度上对光照等条件变化的情况给了一个解决方案,增强了基于均值平移的目标跟踪算法的鲁棒性。(本文来源于《天津大学》期刊2009-05-01）
王展青,李健,童恒庆[5]（2009）在《基于均值平移的自动人脸检测与跟踪算法》一文中研究指出针对彩色图像序列的人脸跟踪问题,提出了一种基于均值平移的自动人脸检测与跟踪算法。对每帧图像采用基于肤色和支持向量机的算法检测人脸,可以减少计算量。对于检测到的人脸,判断是否含有新增人脸,有则将新的人脸加入跟踪序列,否则继续跟踪原有人脸序列。然后采用均值平移算法对人脸序列进行跟踪,其计算量小,跟踪稳定可靠,从而实现自动的人脸检测与跟踪。实验结果表明,该算法可以很好地进行人脸的自动检测跟踪。(本文来源于《武汉理工大学学报(信息与管理工程版)》期刊2009年01期）
李健[6]（2008）在《基于均值平移的自动人脸检测与跟踪算法》一文中研究指出人脸检测及跟踪属于模式识别与计算机视觉的研究领域,它作为人脸信息处理中的一项关键技术,在基于内容的图像与视频检索、视频监视、视频跟踪、视频会议以及智能人机交互等方面都有着重要的应用价值。本文主要进行人脸检测与跟踪技术的研究。首先,采用基于肤色分割和支持向量机的算法进行人脸检测。其次,在人脸跟踪方面采用基于均值平移的算法进行跟踪,最终实现图像序列的自动人脸跟踪。并通过实验对本文算法进行了验证,本文的主要研究工作和创新点如下:(1)研究了基于肤色的人脸分割方法,采用YCbCr色彩模型来进行肤色分割。在YCbCr色彩模型中,可以去掉图像亮度对检测产生的影响。实验表明,肤色分割方法,可以快速去除大量背景,产生初始的人脸候选区域,使后续的人脸检测模块能够将计算集中在相对较小的区域,从而明显地提高算法的执行效率。(2)提出了基于肤色和SVM综合的人脸检测算法,基于SVM的分类检测是统计学习的新的方法,具有检测效率高,错误识别率低的优点。采用肤色分割后,图像中的大量背景信息已经被去除,使得SVM判别的工作量大大降低,不失为一种好的人脸检测方法。实验证明,本文人脸检测方法非常有效。(3)介绍和分析了基于均值平移的目标跟踪算法,并在此基础上,提出了基于均值平移的自动人脸跟踪算法,对每一个检测到的人脸目标采用均值平移算法予以跟踪,在算法中,为保证自动的人脸跟踪,新增人脸序列用于保存检测出的人脸,若发现有新的人脸出现,添加到人脸序列中,并于下一帧开始使用均值平移算法对其进行跟踪。实验表明,跟踪效果迅速可靠。最后总结了全文,分析了目前研究工作中需要进一步完善的地方,指出今后工作的研究方向。(本文来源于《武汉理工大学》期刊2008-10-01）
张旭,李志国[7]（2008）在《基于粒子滤波和均值平移的目标跟踪》一文中研究指出提出一种粒子滤波和均值平移相结合的跟踪算法,其中均值平移起主导作用,当其失效时会产生少量的粒子进一步搜索,确定目标位置以减少误差。与传统的粒子滤波相比,这种方法只需少量的粒子覆盖可能的目标分布,大大减少了计算量。(本文来源于《激光与红外》期刊2008年08期）
凡友福[8]（2007）在《均值平移算法在目标跟踪中的应用》一文中研究指出均值平移算法是一种非参数的密度梯度估计算法，最初被用于模式识别领域中的聚类分析，近年来被广泛应用于计算机视觉领域：如图像分割、平滑、滤．波、边缘提取、目标跟踪等等。本文介绍了均值平移方法的理论知识，揭示了均值平移方法在本质上是一种牛顿法或高斯一牛顿法。并利用其求解密度函数的最大值的思想，把它应用到函数优化领域，从而形成一种新的优化算法。针对基于均值平移的目标跟踪算法中存在的缺陷如：不能很好地跟踪快速运动的目标，缺少必要的目标模型更新，无法解决跟踪过程中出现的目标遮挡问题等，本文提出了将卡尔曼滤波器与基于均值平移的目标跟踪算法相融合的扩展算法。为了跟踪快速运动的目标，首先对目标运动模型进行建模，并运用卡尔曼滤波器对目标在下一帧中的状态进行预测，并将此预测值作为均值平移算法搜索目标的起始点。为了解决目标被遮挡的问题，本文提出了两种目标模型更新方法以适应跟踪过程中目标的表象变化，然后提出一种基于卡尔曼滤波器残差的分块检测算法来检测目标被遮挡的程度，并将目标遮挡分为两类：部分遮挡和完全遮挡。对于部分遮挡情况，不需作任何处理，依靠跟踪算法本身对遮挡的不敏感性即可克服，对于完全遮挡情况，本文提出了一种鲁棒的目标搜索算法来找回目标。最后对于跟踪算法中的其它问题如跟踪目标的旋转角度，跟踪目标的尺寸变化等也列出具有代表性的解决算法，并分析了它们各自的优缺点及改进的方向。(本文来源于《武汉理工大学》期刊2007-10-01）
均值平移跟踪论文开题报告
（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：
针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡:部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.
（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。
均值平移跟踪论文参考文献
[1].徐超,高敏,杨锁昌,杨耀.尺度和旋转自适应的均值平移目标跟踪算法[J].半导体光电.2015
[2].余朗,王杜娟,乐竹雄.基于均值平移和自适应预测的运动目标跟踪[J].武汉理工大学学报(交通科学与工程版).2012
[3].周燕.基于SVM和均值平移的红外车辆目标跟踪算法研究[D].浙江师范大学.2012
[4].李博江.均值平移算法在尺度和速度变化的目标跟踪中的应用研究[D].天津大学.2009
[5].王展青,李健,童恒庆.基于均值平移的自动人脸检测与跟踪算法[J].武汉理工大学学报(信息与管理工程版).2009
[6].李健.基于均值平移的自动人脸检测与跟踪算法[D].武汉理工大学.2008
[7].张旭,李志国.基于粒子滤波和均值平移的目标跟踪[J].激光与红外.2008
[8].凡友福.均值平移算法在目标跟踪中的应用[D].武汉理工大学.2007