【复杂场景下的运动目标跟踪算法探究开题报告4200字】

学生姓名指导教师选题的意义及研究状况：计算机视觉作为一门包括图像处理、机器学习、模式识别等辅综合性学科，其主要目的是由摄像机、摄像头呈现为更加容易被人理解的形式。计算机视觉键技术，近年来引起了国内外众多学者的关注。动目标检测和跟踪己经被广泛的应用到智慧交通、机器人避障导航、智能驾驶、智能视频监控等领域。实际应用场景举例如图1-1所示。(a)智慧交通(b)机器人避障导航图1实际应用场景举例在实际应用场景中有可能受到复杂气候条件变化、外界噪声过大等因素的干尤其是在红外图像跟踪中，红外图像有着低信噪比点，在这种条件下进行跟踪十分困难。尽管各种去噪方法可以改善图像质量，但是由此带来的额外计算量也不容小视。此外，有限的计算资源也变成算法面临的主要挑战之一。由此看来，运动目标检测与跟踪技术涉及到了我们日常生活中的各个角落，随着实际应用场景的复杂度不断增加，众多学者对运动目标检测与跟踪算法的性能要求也在不断提升。例如，如何在复杂背景下增强算法的适应能力，如何在移动背景下更好地克服背景运动对目标检测的影响，如何有效提高目标在遮挡、形变、尺度变化等情况下的跟踪性能。所面临的这些热点问题正是此领域中的研究难点，引起了科研学者们的广泛关注。因此，研究复杂场景下的运动目标检测与跟踪方法具有重要的应用价值和意义。早在20世纪60年代，slttle:提出了基于贝叶斯估计的多目标跟踪方法，成为目标跟踪领域的基本理论。70年代初期，Singer和BarShalom}00’将卡尔曼滤波引入到目标跟踪算法中，使目标跟踪算法有了进一步的发展。80年代，出现了智能跟踪算法，自动通过目标在前后帧中的位置差异来提取目标。90年代末期，粒子滤波算法和扩展卡尔曼滤波算法也引入到目标跟踪中，使目标跟踪取得了长足的发展。进入21世纪，随着机器学习理论的大力发展，目标跟踪跨越到一个崭新的阶段。国外对目标跟踪理论的研究起步较早，许多大学和科研机构在目标跟踪发面取得了大量的成果。例如，由卡内基梅隆大学和麻省理工大学参与研发的监控。美国马里兰大学与IBM联合开发的实时视频监控系统W4(Who?When?Where?What?)可以进行多目标跟踪，并且对发生的行为事件进行判断和预警。雷丁大学开展了对车辆和行人的跟踪及其交互作用识别的相关研究，其和法国INRIA等研究机构开发了针对机场环境的视频智能监控系统AVITRAC。麻省理工学院多媒体实验室研发的Pfinder行人跟踪系统可以实现行人在背景相对静止时的准确跟踪。以色列的NiceVision公司己经研发了对行人、车辆等澳大利亚阿德莱德大学等等学院均有研究目标跟踪算法的试验机构。我国对目标跟踪技术的研究发展至今，也取得了一些显著的成绩。中国科学院自动化研究所模式识别重点实验室，由谭铁牛院士主导研发了一个拥有自主知‘冲科奥森，,人脸识别和视频监控系统，己在北京奥运会、上海世博会等重要场合使用。另外，还有北京大学、清华大学、国防科技大学、浙江大学、西安交通大学等等多所院校均在视频监控跟踪方面进行了深入的研究。同时，国内相关的科技公司也在不断壮大，比较有名的是海康威视、汉邦高科、中兴力维等等。目标跟踪理论发展至今己有数十年的历史，但由于跟踪过程中遇到的阻碍很多，实现精确跟踪的难度较大，并且跟踪算法不能良好的应用于不同场景，算法鲁棒性至现在不能达到理想的程度。所以，目标跟踪现在仍然作为计算机视觉领域的研究热点。于是，在国内外重要期刊和顶级会议中，每年都会收录大量关于ConferenceonComputerVision)、ECCV(EuropeanConferenceon发表的论文都可以作为跟踪方法发展方向的代表算法，具有很好的参考价值。运动目标跟踪是指在目标出现的初始帧图像中定位出目标的大小和位置信息，然后通过这些目标信息利用跟踪算法计算出目标在后续帧中的位置。目前主流的跟踪方法主要包含生成式跟踪和判别式跟踪两大类。生成式跟踪方法直接将背景信息排除在外，通过学习构建出一个能够描述目标的模型，然后从目标类别中筛选出与该模型相匹配的目标，从而完成跟踪目标的任务。针对生法，Huang等人提出一种基于高斯尺度混合分布的鲁棒卡尔曼滤波器，通过将一步预测和似然概率密度函数建模为高斯尺度混合分布，创建新的鲁棒卡尔曼滤波框架，通过对机动目标跟踪，获得了更好的估计精度和更小的偏差。Liu等人研究了经典Mean-Shift跟踪器的三维扩展，实现了将深度信息集成到视觉跟踪器中，克服了遮挡和背景干扰等挑战，增强了跟踪器的鲁棒性。Bhat等基于Mean-Shift遮挡感知粒子滤波器的目标跟踪方法，通过较少的粒子数避免了目标因遮挡干扰出现跟踪丢失的现象，有效提高了算法的跟踪准确度好地适应涉及目标遮挡和快速运动的场景。Xiu等人结合目标轮廓特征对Camshift算法进行改进，通过目标轮廓特征更新Camshift搜索窗□,并通过卡尔曼滤波算法预测目标运动状态，提高了目标存在遮挡时的跟踪效率。XlaO等人提出一种基于FAST-SIFT特征改进的Camshift算法，通过FAST-SIFT特征检测匹配算法将之前获得的目标模板与当前帧图像进行匹配，重新确定丢失目标的位波(KCF)算法使用的特征在复杂背景下表达目标的能力有限的问题，提出了改进的KCF算法，通过预训练的深度卷积神经网络(CNN)分别提取层信息，描述目标的空间和语义特征。Yan等人针对KCF算法无法适应目标尺度变化的缺陷，通过计算视频当前帧的方向梯度直方图(HOG)、局部二值模式(LBP)和颜色特征(CN)直方图，并根据每个直方图的方差自适应计算归一化直方图的加权融合系性插值调整样本大小，增强了KCF算法的抗干扰能力和目标尺度适应性。Tan等人提出一种基于快速判别尺度空间跟踪器(fDSST)的改进闭环跟踪算法，使用支持向量机(SVM)分类器识别目标，并在跟踪过程中利用S若出现跟踪丢失情况，则重启SVM分类器，使系统具有闭环特性。随着深度学习的不断发展，特别是在引入卷积神经网络CNN(Convolutional安排如下：1选题2022年12月15日-2023年1月10日2撰写论文开题报告并提交2023年1月11日-2023年1月25日3准备资料、撰写修改并提交论文初稿2023年1月26日-2023年2月20日4准备资料、撰写修改并提交论文二稿2023年2月21日-2023年3月20日5论文定