一、基于自适应模板修正的相关跟踪方法（论文文献综述）
陈志旺,张忠新,宋娟,雷海鹏,彭勇[1]（2021）在《在线目标分类及自适应模板更新的孪生网络跟踪算法》文中指出针对孪生网络跟踪算法在离线训练阶段学习被跟踪目标和其他对象的嵌入式特征,而这些特征缺少特定于目标的上下文信息,使跟踪算法的稳健性较差的问题,以SiamRPN++作为基准算法,提出了在线目标分类及自适应模板更新的孪生网络跟踪算法。首先,在离线训练阶段设计了互相关特征图监督模块,以学习更具判别力的嵌入式特征;其次,在线跟踪阶段设计了包含注意力机制的在线目标分类模块,在该模块中使用在线滤波器更新策略滤除背景噪声干扰;最后,设计了一种自适应模板更新模块,使用UpdateNet更新目标模板信息。在VOT2018、VOT2019这2个标准数据集上的实验结果验证了所提算法的有效性,相比基准算法SiamRPN++分别带来13.5%和18.2%（EAO）的性能提升。
张忠新[2]（2020）在《基于深度孪生网络的视觉目标跟踪算法研究》文中指出视觉目标跟踪是计算机视觉领域中一个基础且重要的研究课题,在智能视频监控、人机交互、医学诊断、机器人视觉导航和三维重建等诸多领域具有广泛的应用。通用的视觉目标跟踪是估计任意目标在视频序列中的状态信息（位置信息、尺度信息）的任务,通过在视频或者图像序列的第一帧中使用边界框框选中一个特定目标,利用给定的目标跟踪算法在后续帧中确定目标的位置,并使用边界框对该目标进行标识。尽管国内外研究学者对视觉目标跟踪问题已经开展了较多研究并且最近已经取得了很大进展,但由于形变、尺度变化、光照变化、背景杂乱和遮挡等诸多因素,目标跟踪仍然被认为是一项具有挑战性的任务,除此之外,实时性要求也成为跟踪算法投入实际应用的一大瓶颈。本文在分析已有跟踪算法的基础上,将Siam RPN++算法作为基准算法开展了深入研究,本文的具体工作如下:1、提出了一种基于目标感知特征筛选的孪生网络跟踪算法。首先,将经过裁剪处理后的模板帧和检测帧送入到Res Net50的特征提取网络进行浅层、中层、深层的特征提取;其次,在目标感知模块中,通过设计一个回归损失函数来学习对被跟踪目标敏感的特征,根据反向传播的梯度大小来确定每个特征通道的重要性程度,并以此来筛选得到较重要的目标感知特征;最后,将筛选得到的特征送入到Siamese RPN模块,进行目标、背景的二分类判别和边界框的坐标回归,从而得到一个精确的目标边界框。在OTB100和VOT2018两个标准数据集上进行测试实验,结果表明所提出算法可以实现对目标的稳健性跟踪。2、提出了在线目标分类及自适应模板更新的孪生网络跟踪算法。首先,在离线训练阶段设计互相关特征图监督模块,通过使用L-Softmax损失函数对互相关特征图进行监督,以学习更具判别力的互相关特征图,从而克服相似目标干扰问题;其次,在在线跟踪阶段设计包含双重注意力机制（空间注意力机制和通道注意力机制）的在线目标分类模块,在该模块中使用在线滤波器更新策略滤除跟踪过程中的背景噪声干扰,从而有效地解决Siam RPN++算法鲁棒性差的问题;最后设计一种自适应模板更新模块,使用Update Net网络更新目标模板信息,有效地减少了目标跟丢次数。在VOT2018、VOT2019两个标准数据集上的实验结果验证了所提出算法的有效性。
王旭华[3]（2019）在《基于视频的高速公路护栏检测方法研究》文中进行了进一步梳理随着交通事业的发展,交通拥堵与交通安全问题日益严重,智能交通系统成为解决这些问题的重要举措之一。在该领域的研究中,对车辆周围的交通环境进行感知是车辆做出决策和控制的基础。高速公路护栏检测系统是智能汽车环境感知的重要组成部分,在智能交通系统中起到了重要作用。现有基于视频图像的高速公路护栏检测算法,未充分考虑其固有的凹槽特征,且多采用单一特征的检测方式。本文在基于现有的高速公路护栏检测算法的基础上,从检测算法的实时性和智能汽车的实用性上考虑,充分挖掘护栏特有的特征,提出了基于视频的两种检测算法:基于可控制滤波器和基于多特征融合的护栏检测算法。本文完成的工作主要如下:1.本文通过对高速公路护栏检测研究的国内外现状进行分析,总结了现有护栏检测算法中存在的不足,提出了本文的研究课题,并详细阐述了本课题研究中采用的相关技术和算法。2.研究了一种基于可控制滤波器的高速公路护栏检测算法。首先采用可控制滤波器确定护栏的模板,并利用自适应模板的方法对护栏进行匹配,然后构建了高速公路护栏模型,通过拟合匹配结果获取模型参数,从而建立基于可控制滤波器的高速公路护栏检测算法。3.研究了基于局部二值模式（Local Binary Pattern,LBP）特征和方向梯度直方图（Histogram of Oriented Gradient,HOG）特征融合的高速公路护栏检测算法。首先提取图像中护栏的LBP和HOG特征,然后融合LBP和HOG特征并进行降维,再利用支持向量机（Support Vector Machine,SVM）算法对护栏进行检测,并构建了大小滑窗检测算法以及聚类拟合的方法进一步提高检测精度。4.本文利用KITTI、POSS和Google公开的数据集,与多个现有检测方法进行对比,从而验证了文中所提检测方法的有效性。实验结果表明,本文所提检测方法在检测性能上相较于传统检测方法有一定的改进,特别是基于特征融合的检测算法,相比单一特征的检测方法提升更加明显。本文的研究工作,对于高速公路护栏检测后续的研究具有一定的参考价值。
郭剑威[4]（2018）在《基于相关滤波器的目标跟踪算法》文中进行了进一步梳理近年来目标跟踪广泛应用于智能监控、智慧交通、智能机器人和虚拟现实等领域,成为计算机视觉领域中的重要研究内容。目标跟踪受限于现实环境多样性和目标运动复杂性,难以兼顾鲁棒性和实时性。相关滤波器因兼顾鲁棒性和实时性,成为近年的研究热点。然而,相关滤波器目前存在的问题是在遮挡、目标漂移、快速运动等情况下不能准确跟踪目标。本文针对相关滤波器处理快速运动目标易丢失、目标漂移和遮挡的问题,提出了一种融合自适应模板更新和目标重定位机制的跟踪方法。主要研究内容与创新性工作如下:第一,研究核相关滤波器跟踪算法,融合了颜色、梯度和灰度共生矩阵特征。融合体现图像色彩标签空间的颜色特征、强调图像梯度信息的HOG特征和突出图像纹理信息的灰度共生矩阵,使目标描述信息相互补充,提升目标的鉴别力,并对融合后特征进行有效降维,兼顾了跟踪效果和时间效率。第二,研究基于目标运动速度和特征变化的模板更新速率,提出自适应模板更新策略。根据当前帧目标运动速度和特征与滤波模板特征的变化规律,分别构造速度与模板更新和特征变化与模板更新两个模型并将其线性组合,根据速度与特征变化自适应地更新模板,有效地增强跟踪器的适应性。第三,针对相关滤波器长时跟踪性能低的问题,提出短时滤波器与长时滤波器协作跟踪的重定位机制。模仿人脑记忆模型（长期记忆与短期记忆）的原理,建立长时滤波器存储目标特征并在跟踪过程中缓慢更新。采用短时滤波器响应值来判定长时滤波器协同跟踪规则。当目标跟踪结果出现偏差时,长时滤波器纠正跟踪的位置;在目标发生遮挡时,长时滤波器介入搜索目标,重定位成功时更新短时滤波器以继续跟踪。本文在MATLAB平台上与当前主流跟踪算法进行对比实验,所用数据库为Visual Tracker Benchmark。实验结果证明了,本文算法在遮挡、目标漂移和快速运动方面有较强的鲁棒性,能够实现准确实时的目标跟踪。
李成美[5]（2018）在《基于矢量流的制导弹箭对地运动目标检测与跟踪方法研究》文中提出现代化、信息化局部战争对精确制导武器的要求越来越高,制导武器要对战场非合作移动目标具有精确的打击能力。传统通过“人在回路”选定目标或装订模板进行匹配的跟踪方式在作用距离、自主性和精确性上都具有很大的局限性,已经不能满足现代战场的需要。同时,常规弹箭进行制导化改造要求导引头能够抗高过载、自主性高、体积小、成本低,因此,研究制导弹箭基于捷联式图像导引头的对地目标自主检测及跟踪技术,对提高制导武器精确打击能力具有重要意义。针对这一研究目标,文章主要做了以下工作:以低速旋转的制导弹箭对地运动目标精确打击为背景,研究了弹载捷联式图像导引头的相关理论知识和关键技术,详细分析了捷联式导引头的工作原理,针对捷联式图像导引头与弹体姿态耦合导致图像不稳定的问题,设计了一种有效的电子稳像算法并进行了仿真分析,给出了稳像性能评价指标。在视频稳像的基础上,针对导引头对地运动目标自主检测问题,设计了一种基于改进矢量流法的运动目标检测算法。分析了矢量流法对运动目标的检测过程,针对多种场景下的移动目标进行了检测算法仿真,对比分析了所设计的算法与现有方法的优势。针对复杂地面背景下运动目标的实时跟踪问题,梳理了运动目标跟踪过程中的关键问题,对现有的基于模板匹配的跟踪算法进行了改进,在此基础上,设计了一种基于核相关滤波器的跟踪算法,并针对不同场景下的运动目标进行跟踪算法仿真,对比分析了所设计的基于核相关滤波器的跟踪算法与改进的模板匹配跟踪方法的优势,验证了该算法对复杂地面背景下运动目标连续跟踪的有效性。根据本文所设计的运动目标检测和跟踪算法,开展了外场挂飞试验。设计了仿真试验方案,并对软硬件平台进行了介绍,飞行仿真实验结果证明了所设计的弹载捷联导引头运动目标自主检测与跟踪算法的准确性和实时性。
王宝锋[6]（2017）在《基于机器学习与传感器融合的车辆与车道线识别研究》文中研究说明智能驾驶技术不但能够降低人类驾驶劳动强度,而且可以有效避免交通事故,提高汽车行驶的安全性。作为智能驾驶环境感知模块的重要的组成部分,车辆及车道线的识别一直以来都是研究的热点。本文提出一种基于视觉和毫米波雷达的车辆及车道线识别方法,旨在通过采用机器学习和多传感器融合的方法,提高复杂交通环境下车辆与车道线识别的可靠性和精度。本文主要研究内容如下:搭建了视觉与毫米波雷达车载传感器平台,基于坐标空间模型和联合标定实现了多传感时空同步。基于Adaboost-Haar算法建立车辆识别预测模型。针对传统训练样本人工采集方法成本高的缺点,提出了基于视觉跟踪和半监督迭代训练的样本获取方法。设计了具有较好精度和稳定性的视觉跟踪算法并开发了样本采集软件,从而大大提高了样本采集的自动化程度。在模型训练中,采用了半监督迭代训练的学习方法,从而充分利用各阶段识别预测模型已具备的分类能力来进行样本采集,不但降低了样本采集的人工劳动强度,而且通过闭环反馈提高了分类器分类能力。提出了基于视觉的自适应多车辆目标跟踪算法。建立了具有目标噪声特性在线统计模块的自适应Kalman滤波的车辆滤波器。提出了基于全局最邻近（Global Nearest Neighboring,GNN）和局部校验的多目标关联算法,并基于时序分析和有限状态机（Finite State Machine,FSM）对多目标航迹进行管理。上述跟踪方法有效提高了动态多车辆场景下,目标跟踪的精度和稳定性。建立了具有较强抗干扰能力的车道线识别算法。基于局部稠密光流和场景先验知识提出车辆3D掩膜生成方法对场景中车辆干扰剔除。采用信息维度更高的斑块特征（Blobs）作为车道特征,并提出了基于关联双空间的车道Blobs分类模型。算法采用纵向识别区域划分的框架,通过自适应K-Means和由近及远的车道追溯方法动态确定车道Blobs分类模型参数。最后采用直线和Catmull-Rom样条自适应切换的道路模型对车道进行拟合。对毫米波雷达及视觉传感器融合方法进行研究。基于四维Kalman滤波、椭圆波门、最邻近数据关联及滑窗逻辑建立了毫米波雷达多目标跟踪方法。通过实验对雷达及视觉测距特性进行评价,并基于实验结论对雷达与视觉的多目标航迹关联及状态冗余决策算法进行设计。从而充分发挥不同传感器的感知特性优势,弥补不同传感器感知特性的不足,有效提高道路环境感知的能力。
王朝辉[7]（2016）在《红外成像地面运动目标跟踪方法研究》文中提出红外成像地面场景运动目标的跟踪在军事等领域应用很普及。由于地面场景很复杂、干扰具有很强的随机性、目标先验信息较为缺乏及目标运动很复杂,使得红外图像中地面背景下运动目标的跟踪成为国内外学者的研究热点。本文研究了地面场景下的运动目标的跟踪方法,主要工作如下:首先介绍了红外成像地面运动目标跟踪系统组成结构,分析了红外图像的特性,研究了几种抑制红外图像中噪声的方法。在缺少目标先验信息的情况下,提出了一种基于混合比和大津阈值分割的自适应模板选择方法。其次,在跟踪阶段,本文采用一种特征关联与模板匹配结合的运动目标跟踪方法。根据自适应模板选择阶段获取的目标信息是否与边界相关而采取相应的跟踪方法。当自适应模板选择阶段获取的目标信息与边界无关时,通过自适应加权系数的多特征融合方法对目标进行跟踪。当自适应模板选择阶段获取的目标信息与边界相关时,通过Kalman滤波与模板匹配相组合的方法对目标进行跟踪。另外,对跟踪波门内与目标相似的物体的跟踪方法进行了研究,本文在基于Kalman滤波与模板匹配的方法的基础上实现了对目标及与目标相似的物体的跟踪。然后,本文对跟踪阶段匹配模板的更新方法进行了研究。为了减少跟踪过程中匹配模板的漂移,使匹配模板更好地适应目标的变化,本文采用了一种自适应模板更新策略,保证了跟踪过程的准确稳定。最后,本文对红外成像下地面运动目标跟踪系统组成模块进行了介绍,同时简要介绍了PC端的系统调测软件,以及算法移植所做的部分修改与优化。
杜立一,程咏梅,公续平,赵建涛[8]（2014）在《自适应模板匹配在自主空中加油跟踪中的应用》文中进行了进一步梳理自主空中加油技术越来越重要,在软管加油的对接阶段,运用模板匹配跟踪技术对目标进行跟踪。本文利用直方图均衡化、形态学算法和边缘轮廓提取得到初始模板;然后利用归一化相关匹配法对模板进行匹配,同时利用归一化相关值作为参考,判断是否对模板进行更新,从而得到自适应模板;为了缩小匹配时的搜索范围,加入了轨迹跟踪的算法,大大节省了运算时间。通过仿真实验显示,该算法切实可行。
雷涛[9]（2013）在《光电成像动态目标稳定跟踪技术研究》文中进行了进一步梳理光电成像跟踪任务过程中，不同目标呈现出特征多样的特点。即使是同一类目标，其特性在不同阶段、不同背景下也会表现出极大差异。随着目标与跟踪设备距离的变化，其成像会分别表现为扩展目标、面目标、小目标等多种特性。在跟踪过程中，目标甚至还可能因为非均匀光照或发热、分离、熄火等情况而发生成像特征的突变。这些动态、多变的目标特性给成像跟踪算法的适应能力带来了严峻考验，影响了跟踪的稳定性。针对上述特征动态变化目标的稳定跟踪问题，首先对特定特性目标的可靠提取与稳定跟踪的单模算法进行了研究：针对扩展目标稳定跟踪点提取问题，提出了一种新的基于弦弧比滤波的轮廓平滑算法以及一种基于头部最小内切圆的目标前沿跟踪点定位算法，大幅降低了前沿跟踪的提取点抖动；采用对比度跟踪算法实现了简单背景面目标的稳定跟踪；提出了一种基于二值模板膨胀掩模与改进加权更新的自适应模板更新算法，提高了模板更新的质量并增强了复杂背景下相关跟踪的鲁棒性；研究了小目标检测与稳定跟踪的方法，采用基于灰度形态学与高通滤波结合的方法实现了小目标的可靠检测，通过多特征航迹关联与去背景的质心提取方法，提高了小目标跟踪的稳定性。其次，针对上述单模算法难以适应目标所有动态变化情况、难以实现目标全程稳定跟踪的问题，研究并提出了粗精两级并行跟踪的框架，提高了目标跟踪的可靠性与稳定性：采用全视场多算法并行处理方法，实现了多目标粗跟踪；为解决不同阶段与不同背景下主目标的稳定跟踪问题，提出了分段式对比度跟踪与相关跟踪并行的双模跟踪方式，大幅提升了系统的稳定跟踪能力以及对目标特征突变情况的适应能力。通过粗精两级并行跟踪的有机结合，实现了一个高智能化、强鲁棒性的成像目标自动检测与跟踪系统。在系统具备稳定跟踪能力的基础上，研究了基于多特征模糊融合技术的目标航迹事件自动识别方法，实现了目标各种典型航迹事件及其发生时刻的可靠检测。为设备进行场景推理、智能决策、快速评估奠定了基础，提高了系统的智能性与实际应用价值。最后，为了提高系统实时性以降低动态延迟、确保系统的处理带宽，从图像处理算法的特性入手，讨论了高效硬件平台应当具备的特点以及粗精两级并行跟踪软件向并行硬件平台的映射方法。在此基础上，研究了实时嵌入式软件优化的方法，通过对软件模块实例的实际优化方法的讨论，得出了要在既定硬件平台上实现高效的算法，需要从算法级与代码级进行优化的结论。通过高效的软件优化，进一步提高了系统实时性，确保了系统稳定跟踪的实现。
陈少华[10]（2012）在《基于红外与可见光图像融合的目标跟踪》文中认为可见光图像不能显示在夜间或者烟雾遮蔽环境中的热源目标，而红外图像可以显示目标但其边缘信息模糊，将红外图像和可见光图像融合可以提高目标跟踪的性能。本文研究了基于Kalman预测器的自适应模板的相关跟踪算法。通过使用相关系数及其变化判定遮挡时刻；利用Kalman预测器对目标可能的搜索区域进行预测；使用基于模板缓冲区的更新策略更新目标模板。Camshift跟踪算法以计算量小、抗目标变形、旋转和抗小面积遮挡等优点，得到普遍的重视和广泛的应用。但是Camshift算法不易排除相似颜色的目标干扰以及不能跟踪快速移动的目标。本文提出了基于Kalman预测器的改进的Camshift跟踪算法。该算法对于相似颜色的干扰，采用基于空间梯度信息的颜色目标模型；对目标遮挡采用bhattacharyya系数以及目标面积的变化进行判断；采用Kalman预测器对目标快速运动的搜索区和遮挡过程中的目标位置进行预测。本文在基于Kalman预测器的改进的Camshift跟踪算法的基础上，针对红外和可见光图像融合的目标跟踪进行研究。首先研究了基于像素级平均加权的图像融合跟踪；然后针对红外和可见光的不同特性，使用基于特征融合的目标跟踪算法，其中对红外图像提取灰度值和梯度，对可见光图像提取目标的颜色和梯度，通过对两种图像的bhattacharyya系数判定，得到各自的权重，再根据各自的权重计算出目标的位置。本文较全面、深入地研究了多传感器单模、双模目标跟踪算法的原理、方法及应用，并在此基础上实现了基于红外和可见光图像融合的目标跟踪算法。
二、基于自适应模板修正的相关跟踪方法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于自适应模板修正的相关跟踪方法（论文提纲范文）
（2）基于深度孪生网络的视觉目标跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 视觉目标跟踪面临的挑战 |
| 1.3 国内外研究历史与现状 |
| 1.3.1 基于相关滤波的跟踪算法 |
| 1.3.2 基于深度学习的跟踪算法 |
| 1.4 本文的主要研究内容 |
| 1.5 本文的结构安排 |
| 第2章 基于孪生网络的目标跟踪理论 |
| 2.1 视觉目标跟踪 |
| 2.2 基于孪生网络的目标跟踪 |
| 2.2.1 孪生特征提取模块 |
| 2.2.2 Siamese RPN模块 |
| 2.2.3 训练阶段 |
| 2.2.4 跟踪阶段 |
| 2.3 数据集和评价指标 |
| 2.3.1 OTB数据集和评价指标 |
| 2.3.2 VOT数据集和评价指标 |
| 2.4 本章小结 |
| 第3章 基于目标感知特征筛选的孪生网络跟踪算法 |
| 3.1 现有研究分析 |
| 3.2 基于目标感知特征筛选的孪生网络跟踪算法 |
| 3.2.1 通用特征提取模块 |
| 3.2.2 目标感知特征筛选模块 |
| 3.3 算法流程 |
| 3.4 实验与结果分析 |
| 3.4.1 实验平台 |
| 3.4.2 实验参数设置 |
| 3.4.3 对比实验 |
| 3.4.4 定量分析 |
| 3.4.5 定性分析 |
| 3.5 本章小结 |
| 第4章 在线目标分类及自适应模板更新的孪生网络跟踪算法 |
| 4.1 现有研究分析 |
| 4.2 在线目标分类及自适应模板更新的孪生网络跟踪算法 |
| 4.2.1 分类互相关特征图监督模块 |
| 4.2.2 在线目标分类模块 |
| 4.2.3 模板更新模块 |
| 4.3 实验与结果分析 |
| 4.3.1 实验参数设置 |
| 4.3.2 对比实验 |
| 4.3.3 定量分析 |
| 4.3.4 定性分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（3）基于视频的高速公路护栏检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能车国内外研究现状 |
| 1.2.2 高速公路护栏检测国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 本文主要研究内容 |
| 第2章 相关技术分析 |
| 2.1 可控制滤波算法简介 |
| 2.2 特征描述算法简介 |
| 2.2.1 LBP特征 |
| 2.2.2 Haar特征 |
| 2.2.3 HOG特征 |
| 2.3 特征分类器简介 |
| 2.3.1 K-means分类器 |
| 2.3.2 SVM分类器 |
| 2.4 数据降维算法简介 |
| 2.5 本章小结 |
| 第3章 基于可控制滤波器的高速公路护栏检测算法研究 |
| 3.1 构建基于逆透视变换的护栏模型 |
| 3.2 初始化模板 |
| 3.3 基于自适应模板匹配的检测算法 |
| 3.3.1 匹配规则 |
| 3.3.2 自适应模板匹配 |
| 3.4 本章小结 |
| 第4章 基于特征融合的高速公路护栏检测算法研究 |
| 4.1 基于特征融合的高速公路护栏检测算法流程 |
| 4.2 特征训练集构建 |
| 4.3 基于LBP特征与HOG特征的融合 |
| 4.4 基于大小滑窗的护栏检测算法 |
| 4.5 基于多项式的护栏模型拟合 |
| 4.6 本章小结 |
| 第5章 高速公路护栏检测实验 |
| 5.1 数据简介 |
| 5.1.1 KITTI数据集 |
| 5.1.2 POSS数据集 |
| 5.1.3 Google数据集 |
| 5.2 实验结果与分析 |
| 5.2.1 评价标准 |
| 5.2.2 算法有效性验证 |
| 5.2.3 不同检测算法对比分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 课题总结 |
| 6.2 课题展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（4）基于相关滤波器的目标跟踪算法（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状与技术挑战 |
| 1.2.1 研究现状 |
| 1.2.2 面临的技术挑战 |
| 1.3 本文研究内容及贡献 |
| 1.4 本文组织结构 |
| 第2章 相关滤波器 |
| 2.1 经典相关滤波器 |
| 2.2 核相关滤波器 |
| 2.2.1 循环矩阵 |
| 2.2.2 岭回归 |
| 2.2.3 核方法 |
| 2.3 尺度自适应跟踪器 |
| 2.3.1 尺度自适应跟踪器的特征提取 |
| 2.3.2 尺度自适应的目标跟踪策略 |
| 2.4 本章小结 |
| 第3章 基于相关滤波器的目标跟踪算法 |
| 3.1 本文跟踪算法框架 |
| 3.2 多特征融合 |
| 3.2.1 特征提取 |
| 3.2.2 多特征融合 |
| 3.2.3 特征降维 |
| 3.3 模板更新策略 |
| 3.3.1 固定模板更新率 |
| 3.3.2 基于速度的模板更新 |
| 3.3.3 基于特征变化的模板更新 |
| 3.3.4 自适应模板更新 |
| 3.4 目标重定位机制 |
| 3.4.1 长时跟踪 |
| 3.4.2 目标重定位机制 |
| 3.5 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 实验设置与数据集 |
| 4.2 实验评价指标 |
| 4.3 实验结果与分析 |
| 4.3.1 定量比较 |
| 4.3.2 定性分析 |
| 4.4 本章小结 |
| 第5章 结论 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（5）基于矢量流的制导弹箭对地运动目标检测与跟踪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 运动目标检测技术研究现状 |
| 1.2.2 运动目标跟踪技术研究现状 |
| 1.3 论文主要内容与章节安排 |
| 2 捷联式导引头相关理论介绍 |
| 2.1 捷联式导引头工作原理 |
| 2.1.1 坐标系定义及坐标转换关系 |
| 2.1.2 视线角速率提取方法 |
| 2.2 捷联式导引头电子稳像基本原理 |
| 2.2.1 电子稳像基本原理 |
| 2.2.2 导引头成像模型和运动状态分析 |
| 2.2.3 图像运动变换模型 |
| 2.3 电子稳像实验结果分析及稳像算法评价方法 |
| 2.3.1 稳像方法设计及实验分析 |
| 2.3.2 稳像算法评价方法 |
| 2.4 本章小结 |
| 3 基于矢量流的运动目标自主检测方法设计 |
| 3.1 运动目标检测算法研究 |
| 3.1.1 背景减除法 |
| 3.1.2 帧间差分法 |
| 3.1.3 光流法 |
| 3.2 算法设计与仿真 |
| 3.2.1 导引头视频图像预处理方法设计 |
| 3.2.2 角点检测 |
| 3.2.3 卡尔曼滤波 |
| 3.2.4 图像形态学处理 |
| 3.2.5 仿真平台介绍 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 复杂背景下运动目标连续跟踪方法设计 |
| 4.1 运动目标跟踪的关键问题 |
| 4.2 自适应相关跟踪算法设计及仿真分析 |
| 4.2.1 相似性度量过程 |
| 4.2.2 模板更新问题 |
| 4.2.3 跟踪误差分析 |
| 4.2.4 仿真实验结果及分析 |
| 4.3 核相关滤波器跟踪算法设计及仿真分析 |
| 4.3.1 循环矩阵 |
| 4.3.2 正则化最小二乘分类器 |
| 4.3.3 目标快速检测与跟踪 |
| 4.3.4 实验结果及分析 |
| 4.4 本章小结 |
| 5 动态背景下运动目标检测与跟踪方法嵌入式仿真实验 |
| 5.1 硬件平台设计 |
| 5.2 软件平台设计 |
| 5.2.1 运动目标检测及跟踪地面测试软件设计 |
| 5.2.2 运动目标检测及跟踪嵌入式图像处理软件设计 |
| 5.3 实验及结果分析 |
| 5.3.1 仿真实时性分析 |
| 5.3.2 捷联式图像导引头挂飞试验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）基于机器学习与传感器融合的车辆与车道线识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 智能驾驶系统的研究背景和意义 |
| 1.2 智能驾驶汽车技术现状及论文选题目的 |
| 1.3 车辆及车道线识别技术国内外研究现状 |
| 1.3.1 车辆识别研究现状 |
| 1.3.2 车道线识别研究现状 |
| 1.3.3 多传感器融合研究现状 |
| 1.4 存在的关键问题 |
| 1.5 本文主要研究内容概述 |
| 第2章 车载传感器系统搭建与模型时空同步 |
| 2.1 传感器硬件环境搭建与坐标系定义 |
| 2.1.1 传感器选型及布置方案 |
| 2.1.2 系统坐标系定义及简化 |
| 2.2 毫米波雷达坐标系转化 |
| 2.3 摄像头成像原理与标定 |
| 2.3.1 经典摄像头成像原理 |
| 2.3.2 基于道路场景先验知识的摄像头简化模型 |
| 2.4 传感器时域同步 |
| 2.5 实验结果与分析 |
| 2.5.1 摄像头模型标定实验 |
| 2.5.2 原始图像像素距离分辨率研究 |
| 2.5.3 摄像头与毫米波雷达空间配准实验 |
| 2.6 本章小结及创新点 |
| 第3章 基于机器视觉和机器学习的车辆检测算法 |
| 3.1 车辆视觉特征的提取 |
| 3.1.1 Haar-like特征 |
| 3.1.2 基于积分图的特征值提取方法 |
| 3.2 车辆识别预测模型搭建 |
| 3.2.1 基于Adaboost的车辆特征提取与参数获取 |
| 3.2.2 级联式Adaboost结构 |
| 3.2.3 基于滑窗法的车辆识别架构 |
| 3.3 车辆目标验证 |
| 3.4 实验结果及分析 |
| 3.5 本章小结及创新点 |
| 第4章 基于视觉跟踪和迭代训练的大规模样本获取方法研究 |
| 4.1 样本采集需求与视觉跟踪算法特性研究 |
| 4.1.1 训练样本采集需求 |
| 4.1.2 视觉跟踪算法特性研究 |
| 4.1.3 样本采集跟踪算法提出 |
| 4.2 基于改进稀疏光流场与自适应模板更新的跟踪算法 |
| 4.2.1 目标特征提取与光流场建立 |
| 4.2.2 映射模型求解与模板转移 |
| 4.2.3 基于交互多模型的目标运动轨迹跟踪 |
| 4.2.4 基于交叉校验的自适应模板更新策略 |
| 4.3 实际交通场景下实车原始数据采集 |
| 4.4 基于视觉跟踪的原始训练数据采集 |
| 4.4.1 动态分布式交互采集软件的开发 |
| 4.4.2 基于视觉跟踪的训练样本采集实例 |
| 4.5 基于半监督迭代训练的样本采集方法 |
| 4.6 实验结果与分析 |
| 4.6.1 视觉跟踪算法性能评测试验 |
| 4.6.2 车辆识别预测模型迭代训练实验及识别性能分析 |
| 4.7 本章小结及创新点 |
| 第5章 基于视觉的自适应多车辆目标跟踪算法 |
| 5.1 基于自适应Kalman滤波的目标运动参数估计 |
| 5.1.1 车辆运动状态预测 |
| 5.1.2 目标噪声特性在线估计 |
| 5.1.3 状态更新 |
| 5.2 基于全局最邻近和局部校验的目标关联算法 |
| 5.2.1 基于GNN的多目标关联问题数学建模 |
| 5.2.2 目标关联度选取与局部校验 |
| 5.3 基于时序分析和有限状态机的多目标航迹管理系统 |
| 5.3.1 航迹状态定义及时序分析指标 |
| 5.3.2 基于有限状态机的航迹状态切换 |
| 5.4 基于跟踪结果的ROI动态规划与周期性全局搜索 |
| 5.5 实验结果与分析 |
| 5.5.1 自适应Kalman滤波跟踪性能评价 |
| 5.5.2 多车辆目标跟踪性能对比 |
| 5.6 本章小结及创新点 |
| 第6章 基于机器视觉的车道线识别算法研究 |
| 6.1 图像预处理 |
| 6.1.1 车道线识别ROI规划 |
| 6.1.2 图像自适应二值化 |
| 6.1.3 基于 3D掩膜(Mask)的车辆干扰移除方法 |
| 6.2 基于关联双空间的车道Blobs特征分类器 |
| 6.2.1 二值图像Blobs提取 |
| 6.2.2 BV-CV关联双空间Blobs特征 |
| 6.2.3 车道线特征描述子及分类器 |
| 6.3 基于纵向识别区域划分的车道分类模型参数确定 |
| 6.3.1 远近视场区域划分及近视场参数模型确定 |
| 6.3.2 基于自适应K-means的车道标志聚类算法 |
| 6.4 基于直线和Catmull-Rom样条自动切换的车道模型拟合 |
| 6.4.1 Catmull-Rom样条曲线 |
| 6.4.2 Catmull-Rom模型拟合及直线模型切换 |
| 6.5 实验结果与分析 |
| 6.5.1 小交通流量场景 |
| 6.5.2 大交通流量场景 |
| 6.5.3 近距离目标车辆换道场景 |
| 6.5.4 远距目标离车辆换道场景 |
| 6.5.5 主车换道场景 |
| 6.5.6 路面其他标志干扰场景 |
| 6.6 本章小结及创新点 |
| 第7章 毫米波雷达与视觉融合算法研究 |
| 7.1 基于毫米波雷达的多目标跟踪 |
| 7.1.1 雷达杂波屏蔽与目标初选 |
| 7.1.2 四维Kalman目标跟踪滤波器的设计 |
| 7.1.3 毫米波雷达多目标数据关联 |
| 7.1.4 毫米波雷达目标航迹管理 |
| 7.2 基于视觉的道路场景重建 |
| 7.3 视觉测距精度评价与毫米波雷达感知特性分析 |
| 7.3.1 视觉测距精度评价 |
| 7.3.2 毫米波雷达横向测距特性分析 |
| 7.4 雷达与视觉融合决策 |
| 7.5 实验结果与分析 |
| 7.5.1 基于毫米波雷达的多目标跟踪实验 |
| 7.5.2 毫米波雷达与视觉融合决策实验 |
| 7.6 本章小结及创新点 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
| 简历 |
（7）红外成像地面运动目标跟踪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容 |
| 1.4 本文组织结构 |
| 2 红外成像的运动目标跟踪系统结构 |
| 2.1 红外成像的运动目标跟踪系统组成 |
| 2.2 红外图像特性分析 |
| 2.3 红外图像的去噪算法 |
| 2.4 运动目标的自适应模板选择方法 |
| 2.5 本章小结 |
| 3 特征关联与模板匹配结合的运动目标跟踪方法 |
| 3.1 红外目标跟踪方法概述 |
| 3.2 自适应加权系数的多特征融合目标跟踪算法 |
| 3.3 自适应模板更新方法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 4 实时红外成像的运动目标跟踪软件研制 |
| 4.1 运动目标跟踪系统实现 |
| 4.2 系统调测软件 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1本文工作总结 |
| 5.2 进一步研究与展望 |
| 致谢 |
| 参考文献 |
| 6 附录1 攻读学位期间取得的研究成果 |
| 7 附录2 攻读学位期间参加科研项目 |
（8）自适应模板匹配在自主空中加油跟踪中的应用（论文提纲范文）
| 1 自适应模板匹配跟踪 |
| 1.1 初始目标确定 |
| 1.2 归一化相关匹配 |
| 1.3 跟踪目标搜索范围 |
| 1.4 模板更新 |
| 2 仿真实验 |
| 3 结束语 |
（9）光电成像动态目标稳定跟踪技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 目录 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.3 研究内容与论文组织结构 |
| 1.4 本章小结 |
| 第2章 扩展目标稳定跟踪点提取 |
| 2.1 引言 |
| 2.2 飞行器助推段红外成像特性分析 |
| 2.3 传统前沿跟踪方法及问题分析 |
| 2.3.1 基本前沿跟踪 |
| 2.3.2 多项式拟合前沿跟踪 |
| 2.3.3 头部偏移质心法 |
| 2.3.4 相关跟踪 |
| 2.4 基于主轴与运动方向的前沿方向获取 |
| 2.5 基本前沿法提取结果分析 |
| 2.6 基于弦弧比滤波的轮廓平滑 |
| 2.6.1 轮廓跟踪 |
| 2.6.2 基于弦弧比的轮廓平滑 |
| 2.7 基于最小内切圆的稳定跟踪点提取 |
| 2.8 本章小结 |
| 第3章 面目标稳定跟踪 |
| 3.1 引言 |
| 3.2 对比度跟踪 |
| 3.2.1 峰值对比度跟踪 |
| 3.2.2 边缘对比度跟踪 |
| 3.2.3 自适应波门技术 |
| 3.2.4 跟踪点稳定性分析 |
| 3.3 基于自适应模板的相关跟踪 |
| 3.3.1 相关匹配基本原理 |
| 3.3.2 边缘检测与增强 |
| 3.3.3 自适应模板生成 |
| 3.3.4 基于边缘的 MAD 匹配 |
| 3.3.5 自适应模板更新 |
| 3.3.6 自适应模板修正 |
| 3.3.7 相关跟踪结果 |
| 3.4 本章小结 |
| 第4章 小目标检测与稳定跟踪 |
| 4.1 引言 |
| 4.2 小目标成像特点与提取跟踪难点 |
| 4.3 小目标检测算法 |
| 4.3.1 局部次大值滤波 |
| 4.3.2 灰度形态滤波 |
| 4.3.3 分段线性增强 |
| 4.3.4 平滑滤波 |
| 4.3.5 高通滤波 |
| 4.3.6 二值分割与简化高斯判别 |
| 4.3.7 二值形态滤波与统计滤波 |
| 4.3.8 改进的质心稳定提取 |
| 4.4 基于多特征的最近邻关联 |
| 4.5 试验与分析 |
| 4.6 本章小结 |
| 第5章 动态特性目标稳定跟踪 |
| 5.1 引言 |
| 5.2 动态目标特性分析 |
| 5.3 基于多特征分析的稳定跟踪 |
| 5.3.1 目标多特征提取 |
| 5.3.2 基于多特征分析的断裂纠错 |
| 5.3.3 动态目标运动方向稳定获取 |
| 5.4 基于粗精两级的并行跟踪 |
| 5.4.1 全视场多目标并行粗跟踪 |
| 5.4.2 主目标多模精跟踪 |
| 5.4.3 粗精两级的多模跟踪 |
| 5.5 本章小结 |
| 第6章 基于多特征分析的自动航迹事件识别 |
| 6.1 引言 |
| 6.2 多特征模糊融合航迹事件识别 |
| 6.2.1 特征模糊处理 |
| 6.2.2 基于模糊融合的航迹事件识别 |
| 6.3 基于时空特性的分离事件识别 |
| 6.4 本章小结 |
| 第7章 高速图像处理系统实现 |
| 7.1 引言 |
| 7.2 图像处理算法的特性 |
| 7.3 高速并行硬件平台特点 |
| 7.4 软件算法到硬件平台映射 |
| 7.5 嵌入式软件优化研究 |
| 7.5.1 算法级优化 |
| 7.5.2 代码级优化 |
| 7.6 本章小结 |
| 第8章 全文总结 |
| 8.1 论文主要研究内容 |
| 8.2 论文主要创新点 |
| 8.3 需进一步研究和解决的问题 |
| 参考文献 |
| 作者简介及在学期间发表的学术论文与研究成果 |
（10）基于红外与可见光图像融合的目标跟踪（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 融合跟踪的国内外研究状况 |
| 1.3 图像融合及目标跟踪 |
| 1.4 论文主要工作及安排 |
| 第二章 图像跟踪预处理 |
| 2.1 图像滤波 |
| 2.1.1 滤波算法 |
| 2.1.2 滤波结果分析 |
| 2.2 图像增强 |
| 2.2.1 直方图均衡化原理 |
| 2.2.2 实验结果及分析 |
| 2.3 边缘检测 |
| 2.3.1 边缘算子 |
| 2.3.2 实验结果及分析 |
| 2.4 形态学运算 |
| 2.5 本章小结 |
| 第三章 基于相关匹配的目标跟踪 |
| 3.1 目标的相关跟踪 |
| 3.1.1 相关跟踪 |
| 3.1.2 MCD 相关跟踪 |
| 3.2 基于 Kalman 预测其的自适应模板的相关跟踪 |
| 3.2.1 Kalman 预测器 |
| 3.2.2 模板更新准则 |
| 3.2.3 基于 Kalman 预测器的自适应模板更新算法流程 |
| 3.2.4 基于目标模板缓冲区的模板更新 |
| 3.2.5 目标提取[52] |
| 3.3 实验结果 |
| 3.4 本章小结 |
| 第四章 改进的 Camshift 跟踪算法 |
| 4.1 颜色空间的基本理论 |
| 4.1.1 颜色空间 |
| 4.1.2 RGB 颜色空间到 HSV 颜色空间的转换 |
| 4.1.3 颜色直方图 |
| 4.2 Camshift 的跟踪算法 |
| 4.2.1 直方图背投影 |
| 4.2.2 Camshift 的搜索过程 |
| 4.2.3 算法流程 |
| 4.3 基于 Kalman 预测器的改进的 Camshift 跟踪算法 |
| 4.3.1 目标模型的改进 |
| 4.3.2 基于 Kalman 预测器改进的 Camshift 跟踪 |
| 4.3.3 遮挡的判断 |
| 4.3.4 基于 Kalman 预测器的改进的 Camshift 跟踪算法流程 |
| 4.4 基于 Kalman 预测器的改进 Camshift 跟踪的实验结果 |
| 4.5 本章小结 |
| 第五章 红外图像与可见光图像的目标融合跟踪方法 |
| 5.1 红外与可见光图像的特征 |
| 5.2 红外图像和可见光图像的像素级融合算法 |
| 5.2.1 红外和可见光图像的像素级加权平均融合 |
| 5.2.2 基于像素级图像融合跟踪算法流程 |
| 5.2.3 实验结果及分析 |
| 5.3 基于红外和可见光图像特征的 Camshift 融合跟踪 |
| 5.3.1 特征选择 |
| 5.3.2 红外和可见光图像特征融合 |
| 5.3.3 红外与可见光图像特征级融合跟踪的结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、基于自适应模板修正的相关跟踪方法（论文参考文献）
- [1]在线目标分类及自适应模板更新的孪生网络跟踪算法[J]. 陈志旺,张忠新,宋娟,雷海鹏,彭勇. 通信学报, 2021(08)
- [2]基于深度孪生网络的视觉目标跟踪算法研究[D]. 张忠新. 燕山大学, 2020(07)
- [3]基于视频的高速公路护栏检测方法研究[D]. 王旭华. 重庆邮电大学, 2019(02)
- [4]基于相关滤波器的目标跟踪算法[D]. 郭剑威. 河北工业大学, 2018(07)
- [5]基于矢量流的制导弹箭对地运动目标检测与跟踪方法研究[D]. 李成美. 南京理工大学, 2018(01)
- [6]基于机器学习与传感器融合的车辆与车道线识别研究[D]. 王宝锋. 北京理工大学, 2017(02)
- [7]红外成像地面运动目标跟踪方法研究[D]. 王朝辉. 华中科技大学, 2016(11)
- [8]自适应模板匹配在自主空中加油跟踪中的应用[J]. 杜立一,程咏梅,公续平,赵建涛. 电子设计工程, 2014(20)
- [9]光电成像动态目标稳定跟踪技术研究[D]. 雷涛. 中国科学院研究生院（光电技术研究所）, 2013(12)
- [10]基于红外与可见光图像融合的目标跟踪[D]. 陈少华. 南京航空航天大学, 2012(04)