一、Gabor小波目标特征提取和跟踪方法的研究（论文文献综述）
张晓宇[1]（2021）在《基于改进的FLBP与Gabor融合的图像轮廓提取算法》文中提出图像的轮廓提取技术是属于图像识别领域中的一部分,近些年来,随着人工智能和机器学习的快速发展,该技术也是得到了很大的发展,在很多的领域得以实现,比如车牌号的清晰技术,以及医学上的CT扫描等,这些技术的使用,表明了图像的轮廓提取技术的实用性。其中,图像的轮廓提取精度最为关键,图像轮廓提取的精度和算法的识别准确率直接挂钩。因此针对如何获取目标图像数据更为清晰轮廓特征进行了深入的研究,并且在最初的算法基础之上进行了一定的改进,提出了一种以改进的模糊局部二值算法和Gabor小波特征提取算法结合的图像轮廓提取算法,随后便通过后续的实验进行验证和分析。主要的研究工作如下:（1）局部二值算法的算法实现较为简单,通过该算法之后获取到的特征图像具有很好的纹理描述等优势。但是也会存在一定的不足,但是若图片存在光照不均匀或者存在旋转,外界影响比较严重时,则会对获取的图像特征存在一定的误差,对图像光照等不具有很好的适应性。针对上述问题,本文提出将模糊数学的理念加入到LBP算子中,通过该种方式可以很好的改善LBP对图像局部特征提取不全面的问题,同时,基于本文算法加以改进,提出将模糊数学中的隶属度与平均值相结合,提出了一种改进的FLBP算法。（2）改进后的FLBP算法可以在一定程度上加强对图像局部特征的描述,但是对获取到的图像特征易丢失的问题却无法很好的解决。Gabor小波算法可以从多个方向和尺度对目标图像进行特征的提取,经过该算法处理后的图像特征则更为的全面,可以提高本文算法对图像数据的鲁棒性,在实验中也会提高算法对图像边缘轮廓提取的识别率,而且还可以在一定程度上通过过滤由于Gabor小波引起的图像特征过多的现状,在降低实验过程中的运算复杂度的同时还不会降低图像轮廓识别的准确率。（3）最后将本文提出融合算法进行实验,对于改进的FLBP算法和Gabor小波算法融合试验的结果表明:本文提出的改进算法可以针对图像数据出现光照旋转以及噪声污染等问题进行一定的优化,该算法对图像轮廓提的精度提高了3.4%。图[33]表[5]参[79]
李晨光[2]（2021）在《基于KinectV2的人体姿态识别研究》文中提出人体姿态识别是计算机视觉研究的热门课题之一,且姿态识别算法为人机交互、虚拟现实等领域的发展提供了技术支持。人体运动动作的时变性以及运动场景的复杂变化性,导致人体姿态识别的实时性、准确性和鲁棒性不理想。因此,实时准确地捕捉和识别人体姿态在视觉领域引起了极高的关注。针对人体姿态的特征提取以及识别存在的问题,本文基于KinectV2平台对人体姿态模型的构建和姿态识别进行了研究。本文主要内容如下:首先,本文基于KinectV2骨骼跟踪技术获取人体标注关节点的三维信息,并对获取的关节点信息进行标定;然后对所用关节点进行角度和距离特征构建,进而转换得到构建姿态模型的特征信息。该姿态特征表征高效地利用骨骼信息,有效减少数据冗余,使得姿态表征具有组合性高且计算复杂度低的优点。接着,针对静态人体姿态识别存在未定义姿态干扰等缺陷,提出基于人体姿态关节点角度和距离特征的小样本学习的模型网络匹配算法。首先对样本数据集进行训练归类,训练一个数据端到另一个数据端的模型;然后利用小样本学习网络匹配分类器计算已训练数据集和测试数据集的相似度,并进行参数转换做加权求和计算;最后选择契合度最高的样本所属模板类型作为识别结果,从而解决了未定义姿态的干扰。实验结果表明,基于该算法的人体姿态识别具有准确性高和实时性强的优点。最后,针对动态姿态序列中关键帧姿态识别存在的问题,提出基于融合Gabor小波与Curvelet双重变换的多分辨特征姿态模型识别方法。首先采用模糊逻辑模型选取动态姿态序列中的关键帧姿态;其次采用Gabor小波变换对获取的关键帧姿态进行纹理特征处理,获得不同方向尺度上的特征向量,再运用Curvelet变换计算特定方向上的特征信息获得特征向量;接着融合两个特征向量,获得关键帧姿态的最终特征表征,以此方式处理大量姿态序列构建多分辨特征姿态模型;最后对构建的姿态模型采用模型匹配算法进行匹配识别。通过模糊逻辑模型选取关键帧姿态,从而避免冗余帧集的干扰,Gabor小波变换和Curvelet变换有效地提取关键帧姿态的特征信息,提高了识别精度。实验结果表明,该方法构建的多分辨特征姿态模型具有较高的识别精度。
杨飞[3]（2020）在《基于特征融合与投票模型的人脸表情图像识别研究》文中提出人机交互领域是现在社会科学的研究热点,计算机技术的不断进步催生着越来越多的人机交互新业态。近年来,随着智能设备穿搭,手机面部解锁等研究的兴起,人脸表情识别成为人机交互的研究热点。本文主要研究提取人脸表情融合特征,改进两种表现优异的卷积神经网络,将机器学习与深度学习的优点结合。然后通过实验进行分析比较。本文的主要工作如下:1.对人脸面部表情数据库进行裁剪和尺度归一化。论文采用CK+、JAFFE和FER2013三个人脸面部表情数据库,运用Adaboost算法粗略裁剪人脸面部表情图像,对于裁剪过后的面部区域图像采用尺度归一化处理的方式,得到相同大小的人脸面部表情图像。最后,多维度分类表情特征提取方式与分类算法,对比各自优缺点。2.本文提出一种基于Dlib特征融合的表情识别方法。综合考虑学习规则、面部表情特征选取了两个用于对人脸面部表情进行特征提取的经典算法LBP（局部二值模式）和Gabor小波变换,在SVM与softmax中挑选最优分类器,将两种算法与两种分类器进行交叉实验。引入Python中用做人脸识别的Dlib库提取人脸68个特征点,并将LBP和Gabor小波变换提取的特征经均匀采样降维后与Dlib提取的68个特征点进行融合,放入最优分类器SVM中进行分类,最终得到经过实验确定的适用于人脸面部表情识别与分类的特征融合模型,在CK+数据库中,该模型最高正确识别率为96.0%,在JAFFE数据库中,最高分类正确率为94.3%。从正确率可以看出该模型对于人脸表情识别的优异性。3.提出一种基于改进卷积神经网络的投票模型。对进行面部表情实验表现优异的两种卷积神经网络算法VGG19与Resnet18进行改进,更改池化方式为金字塔池化,并将卷积核大小由3×3改为1×1,提高了模型正确率。将VGG19、Resnet18与LBP与Dlib的特征融合模型组成投票模型,验证了投票模型在人脸面部表情识别的准确性和有效性。其面对两个小数据库JAFFE和CK+时,取得的正确率分别是98.59%和99.64%,在面对大数据库FER2013时取得的正确率为74.58%,对比其他识别方法都有明显的优势。投票模型解决了对于不同大小的数据库的普适性问题,取得了非常优异的分类效果。
毛雯[4]（2017）在《基于单幅前视图的人脸识别算法研究》文中研究说明人脸识别作为生物特征识别技术中很重要的组成部分,其在罪犯查询识别、后台监视、门禁安全系统等方面具有广泛的应用。然而,在视频监控场景下,要对行人的人脸进行识别时,因行人行走时的姿态变化不可避免,人群的相互遮挡也不可避免。更有甚者,如果预先只预存一幅前视图的人脸照片,需要依据该单幅图像在监控视频中的人群中识别出该目标人脸,难度会大大增加。因为同一个人的人脸的姿态、表情变化的丰富性,采用机器学习的方法是有效的,而机器学习需要提供大量的训练样本,对于只能提供单幅人脸图像的任务需求来说,是个非常大的挑战。针对此问题,本文对基于单幅前视图的人脸识别算法进行了深入研究。为了解决训练样本不足的问题,本文以给定的单幅正视人脸图像,采用单应变换的方法,生成虚拟的人脸多姿态样本,增加训练样本数。本文所研究的人脸识别问题分为静态场景图像的人脸识别和监控视频中的动态场景下的人脸识别。在静态场景的人脸识别中,本文采用Gabor小波变换提取人脸特征,对得到的Gaboor小波系数用主成分分析（PCA）进行下采样,这样得到的特征既易于分类又提高了识别速度。分类器采用了对小样本问题具有很好的分类能力的支持向量机完成。对动态场景下的人脸识别,采用静态人脸的识别方法与运动目标估计及运动目标跟踪相结合的方法来实现,对人脸被部分遮挡或偏转角度较大导致的漏识别和对人脸错误检测的校正有着非常显着的效果。实验结果验证了本文方法的有效性。
杨乐乐[5]（2017）在《跨摄像头人脸检测与识别算法研究》文中进行了进一步梳理当下国际局势不稳定,各国越来越重视安防问题。2016年9月,中国举办的G20峰会称之为“史上最严G20峰会”,特别采用了人脸识别技术对重点区域做了安防布控,来保障会议顺利进行。日常生活中,人们也越来越重视安全问题,摄像头遍及大街小巷,公安机关打造“天网监控系统”,为城市的治安做出强有力保障。智能化时代的到来,传统的人工手动处理监控视频的模式很难适应现在的需求,人们正在逐步实现真正的智能监控系统。本文搭建了一个跨摄像头人脸检测与识别系统,该系统实现了对不同摄像头中出现的相同人脸进行检测与识别,并且对动态的人脸进行跟踪。系统主要包含三大部分:独立摄像头的人脸检测部分、独立摄像头的人脸跟踪部分和跨摄像头的人脸识别部分。文章重点对系统中算法的改进做了研究。在独立摄像头人脸检测部分,采用了逐步缩小检测范围以达到最终检测的思路,第一步对出现的目标进行运动检测,检测出人体区域,第二步通过人体的肤色特征作为检测依据进一步定位出人体的肤色区域。第三步用AdaBoost算法实现对人脸的检测,通过这样的人脸检测方法不但提升了正检率,而且有效降低了漏检率;在独立摄像头人脸跟踪部分,优化了CamShift算法对人脸的实时跟踪,在算法中加入了Kalman预测机制,改善了被遮挡目标的跟踪效果。通过实验表明二者相结合可以更准确的对目标进行跟踪;在跨摄像头目标识别部分,本文采用了Gabor小波和PCA相融合的方法来完成对人脸图像的识别任务,这种算法首先利用Gabor滤波器提取跟踪到的人脸图像的特征,虽然Gabor算法可以很好地提取到有效的人脸特征信息,却导致结果产生了很多冗余特征,大大增加了计算量。PCA算法能有效的对数据进行降维,二者相结合,可实现有效提取人脸图像特征而且能对特征数据进行降维,降低计算量。本文所搭建的跨摄像头人脸检测与识别系统,用于复杂情景下获取人脸信息并在其他摄像头上完成人脸的识别。完成了在不同区域动态背景下对人脸的检测、跟踪和识别的功能。经过系统功能测试,实验结果表明本文搭建的跨摄像头人脸检测与识别系统功能完整,准确率高,实时性好,能够满足系统的要求。
闫俊强[6]（2016）在《基于图像的空中目标跟踪算法研究》文中提出基于图像的空中目标跟踪技术是指以机载或弹载成像设备捕获的目标图像为研究对象,采用图像分析算法将目标从捕获的复杂背景图像中进行分割,并将目标的坐标、角度等数据作为机载武器或者导弹跟踪制导的依据。本文归类和分析主要的目标跟踪算法,然后研究基于Gabor小波特征向量提取和混合高斯模型分类器的目标跟踪算法,主要工作如下:（1）首先将常见的目标跟踪算法归为4类,也即灰度匹配法、帧差跟踪法、轮廓跟踪法、光流法,然后分别从算法的空间复杂度、数学原理、时间复杂度、算法性能等方面探讨各种算法存在的优点和不足。（2）根据上文讨论4类算法优点和缺点,论文设计基于Gabor小波和混合高斯模型分类器的空中目标跟踪算法。捕获的目标图像由Gabor小波完成特征向量提取,此步骤分为两类也即正负训练样本、测试样本的生成和对正负训练样本、测试样本的Gabor小波特征提取;采用正负样本提取的Gabor小波特征向量文件训练混合高斯分类器,设置最大训练次数和训练误差要求,进一步以确定各个混合高斯模型的权重系数以及高斯分布的参数;然后使用训练完成的混合高斯模型分类器对测试样本中目标图像和背景图像的分割和标记,并最终输出目标在图像坐标系中的位置。（3）使用Microsoft Visual Studio2013和OpenCV2.4.9作为测试平台对本文设计的基于Gabor小波特征向量提取以及混合高斯模型分类器目标跟踪算法进行准确性和性能的测试。测试内容为目标跟踪算法模块化,X86平台C++语言实现,代码实现级别和系统级别优化以提高算法运行效率等工作。经测试本文设计的基于Gabor小波特征提取和混合高斯模型分类器的目标跟踪算法在Windows平台具有较好的准确性和实时性。
薛茹[7]（2014）在《复杂交通监控场景下运动目标检测与跟踪方法研究》文中认为交通监控场景中情况各异、环境复杂，运动目标的任意性和随机性，以及光照、遮挡、目标姿态等不确定性，使运动目标检测与跟踪过程中出现的问题具有不可预测性。本文在复杂交通监控场景中应用单目摄像机获取目标区域，建立借助目标特征实现目标检测与跟踪方案。围绕形变与尺度变化下目标的检测与跟踪方法，研究了视频中目标区域的检测和提取、基于目标特征的识别与分类，以及复杂场景中尺度变化的目标的跟踪问题，这些问题形成了基于复杂交通监控场景下运动目标检测与跟踪方法的技术研究。论文的主要内容如下：1)提出一种基于量子聚类分析技术的像素块编码的交通背景提取方法。实际交通监控中的场景状况是不确定的，为了精确的提取前景需要用有效的方法对背景建立模型，了解视频序列中像素变化并考虑到像素之间的相互关系。本文在经典Codebook方法的基础上进行探索和研究，将视频图像划分为像素块，对像素块进行聚类学习和编码，在该编码的基础上用交替学习和更新的方法对编码进行实时更新。实验证明，本方法获取的前景干扰较少，目标区域图像较清晰；另外该方法计算简单，加之采用交替更新的方法，实时性好，提取的前景具有较好的鲁棒性。2)提出一种基于MRF的自适应车辆阴影检测和消除方法。对车辆阴影通过将前景与背景像素的颜色和局部纹理特征进行对比。颜色特征是用HSI颜色空间特性，局部纹理则用SILTP编码的汉明距离对阴影像素检测，其中得阈值用极大似然估计的方法估计。在以上特征的基础上，用马尔可夫随机场对像素标记及其邻域的相关性进行表示，进而对阴影和非阴影像素进行分割。实验结果表明，和其他方法相比该方法有相似或者更优越的性能，能适应光照的变化环境。3)提出基于Gabor特征图像上提取HOG特征的行人识别方法（在此简称GHOG方法）。针对场景中目标姿态、光线等不断变化的需求，该方法将视频图像和Gabor小波进行卷积，得到的40个小波图像进行尺度和方向上进行融合，形成一幅Gabor的融合图像；在此基础上进行HOG特征提取，根据提取的HOG特征用Real Adaboost级联分类的方法进行目标识别。实验证明，该方法能有效降低错误检测率；对目标在Gabor特征图像融合过程中采取了编码的方式，使计算量也有效降低。4)提出一种对于目标图像分块稀疏表示和贝叶斯估计进行目标跟踪的方法。针对目标跟踪过程中遮挡问题，该方法根据基础样本库子空间的块对目标的外观进行稀疏线性组合表示，为了实时更新目标模板，采用了增量学习的方法来适应不断变化的目标。然后建立了基于重建图像和观察目标的近似误差的概率观察模型，这个观察模型用一个随机的仿射运动模型形成粒子滤波进行目标跟踪。本文提出的跟踪方法比IVT和L1T方法在处理遮挡、姿态变化较大、突然光线变化和尺度变化方面有较好的效果。
何卫华[8]（2012）在《人体行为识别关键技术研究》文中研究指明人体行为识别是人工智能与模式识别领域内一个新兴的研究方向，具有极其广泛的应用前景。本论文针对人体行为识别中的图像预处理、行为表征、特征降维以及行为分类等关键技术进行研究，提出了适用于可见光与红外成像、可穿戴传感的行为识别方法，获得了较好的识别效果。论文取得的主要创新性成果如下：（1）高质量的图像预处理是行为识别研究的基础。面向可见光、红外双波段视频监控应用，提出了一种双波段彩色图像融合算法，并考察了图像融合对于人体目标跟踪性能的影响。将可见光与红外图像在NSCT域内进行自适应融合，并将融合图像赋予YUV颜色空间的亮度通道，进一步通过颜色传递可获得具有自然色彩视觉效果的彩色融合图像。实验结果表明，该方法可提高人体目标的可探测性，丰富融合图像的细节信息，增强观察者对监控场景的感知，为计算机视觉分析提供更高质量的源图像；此外，双波段图像融合能够提高对人体目标跟踪的准确度和鲁棒性。（2）提出了一种基于外观表征和多类相关向量机的行为识别方法。建立了一种新的时空模板：能量变化图，并在此基础上提取反映人体形状信息和运动信息的行为特征；首次将多类相关向量机引入行为识别领域，用于对多类行为的分类识别。在Weizmann行为数据库上进行了测试，采用“Constructive”结构的多类相关向量机获得的识别率达98.2%，且表现出优异的特征样本稀疏性。与其它一些典型的识别方法相比，本文方法在行为特征的复杂度和识别率方面均具有明显优势。进一步分析表明，不同方法间识别性能间差异主要源自于特征选取方式和分类方法选择上的不同。（3）提出了基于视觉特性的行为识别方法，并首次将Gabor类小波应用于红外成像人体行为识别。采用Gabor小波，对行为的能量变化图进行多尺度、多方向性描述。为了减少频带覆盖所需的分解层数，并更好地刻画行为的细节特征，进一步采用了性能更为优越的Log-Gabor小波。针对行为识别中面临的高维特征问题及训练过程中的小样本问题，分别采用了主元分析方法和鉴别共同向量方法对Gabor类特征进行降维。在重庆大学构建的红外行为数据库上进行测试，获得的识别率达94.44%。此外，还考察了Gabor小波类别、特征降维方法及分类器的选取对识别性能的影响，验证了本文方法的设计合理性。（4）对可穿戴传感行为识别进行研究。针对行为传感中存在的高维数据问题，首次将广义判别分析方法应用于可穿戴传感行为识别，提出了一种新颖的行为识别方法。对提取的时频域行为特征，采用广义判别分析方法进行降维，并构建组合相关向量机实现对多类行为的分类。在WARD人体行为数据库上进行了测试，获得的识别率达99.2%。为增强可穿戴传感行为识别系统的鲁棒性，对系统结构进行优化分析，进一步对多传感节点的融合问题进行了研究。在建立的决策融合框架中，采用自适应对数优化池对各个节点的分类后验概率输出进行决策融合，最终判别行为的类别。重点研究了传感节点数目及节点部署方式，融合规则、特征降维方法和分类方法的选取对识别性能的影响。
袁峰[9]（2009）在《基于Gabor小波的车辆识别与跟踪技术研究》文中研究指明在智能交通系统中,基于视频的检测跟踪系统具有易于安装、工作稳定、可视信息丰富和便于实现无人监控的特点,是目前国内外研究的热点。本论文在分析和总结现有的识别与跟踪方法的基础上,对交通监控系统中的运动车辆的识别以及车辆的跟踪问题进行了研究。本文对傅立叶变换、小波变换和Gabor小波变换进行了比较, Gabor变换在分析数字图像中局部区域的频率和方向信息具有优异的性能,在计算机视觉和纹理分割中已经得到了广泛的应用。本文对二维Gabor滤波器的性能进行了分析,设计了一个多通道的Gabor滤波器,对其参数进行了选择,采用多通道的Gabor滤波器对图像的纹理特征进行了提取,用一种特征向量的方法进行描述。本文在分析常用的车型识别方法的基础上,根据车型的纹理分析,提出了一种用Gabor小波提取特征点与BP神经网络算法相结合的分类识别技术。首先对视频图像序列进行采集,采用一种存在运动目标情况下的背景重建算法,获取动态背景并实时更新,能较好地抑制外界环境变化带来的影响。然后用背景差法确定目标位置。为了去除噪声对图像进行中值滤波,最后截取出80×60标准的目标图像。由于不同车型所提取的Gabor特征点的能量值相关度很低,本文以轿车、卡车、面包车和客车车型为例建立了四种标准车型的数据库,最后用提取到目标特征和标准数据库进行匹配。针对易误识的车型,需要进一步细分车型和提高Gabor小波的分辨率,但是Gabor特征点的数据量会大大增加。为了保证系统的实时性,本文在增加Gabor小波分辨尺度的同时,设计了一种神经网络细分类器,对特征点进行了训练识别。实验表明,本文方法不仅系统的识别精度高,而且实时性好。针对传统全模板匹配跟踪计算耗时大的缺点,本文采用了基于Kalman滤波器的跟踪方法。首先利用Kalman滤波器预测车辆在下一帧中的可能位置,然后在预测区域利用Gabor小波特征点进行匹配,精确定位车辆。在车辆目标发生平移、尺度变化等情况下,采用仿射变换模型对目标进行矫正。为了进一步提高跟踪速度,在实验中对提取出的全部特征点进行筛选,选用部分典型特征点与数据库中的标准车型模板进行特征匹配。实验结果显示,本文方法有良好的跟踪效果,并且车辆在短时间被遮挡的情况下也能有效跟踪。
邢卓异[10]（2007）在《基于图像的目标识别与跟踪方法研究》文中进行了进一步梳理随着计算机视觉技术和图像并行处理技术的飞速发展，基于图像的目标识别与跟踪技术在军事领域、航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用，也成为自动控制、计算机视觉和模式识别等领域的研究热点。本论文以实际科研项目为课题研究背景，主要围绕基于图像的目标识别与跟踪技术开展相关研究工作。首先，论文针对目前实际图像所普遍存在的高斯噪声和脉冲噪声，给出了一种图像自适应-模糊滤波算法。该算法首先判别并标定图像噪声，以实现两类噪声的分离。采用自适应中值滤波算法滤除脉冲噪声，有效地克服了中值滤波的不足。再有效滤除脉冲噪声的基础上，文中引入了模糊控制中隶属度函数的概念以改进均值滤波算法，结合图像直方图自适应给出隶属度函数的阀值，克服了均值滤波造成图像模糊的不足。其次，论文给出了基于特征空间描述的Gabor小波特征识别算法。在对Gabor小波自身特性和参数特性进行了深入分析的基础上，给出了新的Gabor小波系数快速计算方法和新的Gabor小波参数选取方法。在计算Gabor小波系数的快速算法中，通过建立离散哈特莱变换与Gabor小波系数变换之间的对应关系来实现对Gabor小波系数的快速计算。该方法较经典的Gabor小波系数计算方法在计算量上有明显减少。在Gabor小波参数选取的问题中，本文在广泛应用的经典参数组合法基础上，通过引入概貌和细节结合的能量函数概念及方向寻优算法来选取Gabor小波参数。该方法既能够有效发挥Gabor小波参数特性，又能够避免经典参数组合法对Gabor小波参数选取过多而造成计算量过大的问题。在研究Gabor小波的特征点匹配过程中，论文给出了“子运动目标”和“子模板”的概念，改变普通匹配方法中将图像模板作为整体看待的思维定势。可以通过“子模板”的匹配实现对图像目标的识别与跟踪，虽然同样存在图像匹配遍历问题，但可大大减少图像匹配的计算量，减少图像匹配的计算时间。在基于模板匹配的目标识别算法中，论文给出了改进的序贯相似性检测算法和改进的均值移动算法。在改进的序贯相似性检测算法中，主要从算法的快速性和准确性上出发，给出了四条改进建议和模板更新策略。均值移动算法是目前相对较新的一种目标识别算法，具有实时性好、定位准确和鲁棒性强等优点，但也存在如对于快速有遮挡目标识别跟踪效果不好等不足。论文针对快速运动目标、目标遭遇大比例遮挡和目标丢失等不足给出了相应的改进方法。最后，针对图像目标跟踪问题，在建立机动目标数学模型的基础上，针对应用较为广泛的当前统计模型卡尔曼算法在强机动性目标情况下所表现出来的不足，给出了一种基于卡尔曼的非线性自适应跟踪算法。该方法具有能够有效补偿模型线性化所带来的误差、实时调整系统增益、提高预测精度和增强对强机动目标的跟踪能力等优点。
二、Gabor小波目标特征提取和跟踪方法的研究（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、Gabor小波目标特征提取和跟踪方法的研究（论文提纲范文）
（1）基于改进的FLBP与Gabor融合的图像轮廓提取算法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的及意义 |
| 1.3 国内外研究现状与主要研究内容 |
| 1.3.1 国内外研究现状 |
| 1.3.2 课题的主要研究内容 |
| 1.4 论文的组织结构 |
| 第2章 图像边缘检测相关算法 |
| 2.1 阈值算法 |
| 2.2 Canny算法 |
| 2.3 Sobel算法 |
| 2.4 Robert算法 |
| 2.5 Prewitt算法 |
| 2.6 本章小结 |
| 第3章 改进的模糊局部二值算法 |
| 3.1 LBP算法 |
| 3.1.1 LBP概述 |
| 3.1.2 LBP算法的相关改进及其现状 |
| 3.2 模糊数学 |
| 3.2.1 模糊数学的概念 |
| 3.2.2 模糊数学的基本知识 |
| 3.2.3 隶属度函数的确定 |
| 3.3 模糊数学下的局部二值算法 |
| 3.3.1 模糊局部二值法 |
| 3.4 改进后的FLBP算法 |
| 3.4.1 改进的FLBP算法概述 |
| 3.4.2 改进后FLBP算法的实验结果 |
| 3.5 相关算法的实验对比 |
| 3.6 本章小结 |
| 第4章 基于改进的FLBP与Gabor小波融合的轮廓提取 |
| 4.1 Gabor小波算法 |
| 4.1.1 Gabor小波 |
| 4.1.2 二维Gabor滤波器参数确定及其特性分析 |
| 4.1.3 基于Gabor小波的特征提取 |
| 4.2 改进的FLBP与Gabor小波算法结合的算法 |
| 4.3 本章总结 |
| 第5章 实验 |
| 5.1 仿真与实验结果分析 |
| 5.1.1 数据库的选择 |
| 5.1.2 基于改进的FLBP与Gabor小波融合的算法实验 |
| 5.2 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（2）基于KinectV2的人体姿态识别研究（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 国内外研究现状 |
| 1.2.1 人体姿态描述表征的研究现状 |
| 1.2.2 人体姿态估计识别的研究现状 |
| 1.3 论文的研究内容和创新点 |
| 1.3.1 研究内容 |
| 1.3.2 主要创新 |
| 1.4 论文结构安排 |
| 第2章 KinectV2平台简介 |
| 2.1 KinectV2工作原理 |
| 2.2 KinectV2平台简介 |
| 2.2.1 KinectV2硬件介绍 |
| 2.2.2 KinectV2 SDK介绍 |
| 2.3 深度图像的获取技术 |
| 2.4 骨骼关节点跟踪技术 |
| 2.5 本章小结 |
| 第3章 基于骨骼关节点信息的特征提取 |
| 3.1 引言 |
| 3.2 人体姿态特征提取方法 |
| 3.2.1 基于人体图像区域信息特征提取方法 |
| 3.2.2 基于人体骨架结构信息特征提取方法 |
| 3.3 人体姿态特征提取 |
| 3.3.1 角度特征 |
| 3.3.2 距离特征 |
| 3.4 人体姿态表征 |
| 3.4.1 人体姿态描述方式 |
| 3.4.2 人体姿态表征 |
| 3.5 实验评估和分析 |
| 3.6 本章小结 |
| 第4章 基于小样本学习的人体姿态模型识别研究 |
| 4.1 引言 |
| 4.2 人体姿态样本库 |
| 4.2.1 人体姿态样本描述 |
| 4.2.2 人体姿态样本采集 |
| 4.3 人体姿态识别算法 |
| 4.3.1 基于模板的方法 |
| 4.3.2 基于统计的方法 |
| 4.3.3 基于语义的方法 |
| 4.3.4 基于数据降维的方法 |
| 4.3.5 基于深度学习的方法 |
| 4.4 小样本学习算法模型 |
| 4.4.1 小样本学习算法 |
| 4.4.2 小样本学习模型网络匹配 |
| 4.5 人体姿态识别实验评估及分析 |
| 4.6 本章小结 |
| 第5章 基于双重变换的人体关键帧姿态模型识别研究 |
| 5.1 引言 |
| 5.2 Gabor小波变换 |
| 5.2.1 二维Gabor小波变换 |
| 5.2.2 基于Gabor小波变换特征提取 |
| 5.3 Curvelet变换 |
| 5.4 融合Gabor小波与Curvelet变换的姿态模型识别 |
| 5.4.1 融合Gabor小波变换与Curvelet变换的姿态模型 |
| 5.4.2 多分辨特征姿态模型识别 |
| 5.5 多分辨特征姿态模型识别评估及分析 |
| 5.6 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）基于特征融合与投票模型的人脸表情图像识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及其意义 |
| 1.2 表情识别的国内外研究现状 |
| 1.2.1 表情识别国外研究现状 |
| 1.2.2 表情识别国内研究现状 |
| 1.3 本文的研究内容与主要工作 |
| 第2章 人脸表情识别相关知识 |
| 2.1 人脸图像数据集 |
| 2.2 人脸图像预处理 |
| 2.2.1 人脸提取 |
| 2.2.2 图像尺度归一化 |
| 2.3 人脸表情识别方法介绍 |
| 2.3.1 人脸检测算法 |
| 2.3.2 传统特征提取和分类算法 |
| 2.3.3 深度学习算法 |
| 2.4 本章小结 |
| 第3章 基于特征融合的人脸表情识别算法 |
| 3.1 引言 |
| 3.2 特征提取方法 |
| 3.2.1 LBP算子 |
| 3.2.2 Gabor小波 |
| 3.2.3 Dlib库 |
| 3.3 分类器介绍 |
| 3.3.1 支持向量机 |
| 3.3.2 softmax |
| 3.4 基于Dlib的特征融合人脸表情识别算法 |
| 3.4.1 分类器的选择 |
| 3.4.2 特征融合 |
| 3.5 本章小结 |
| 第4章 基于CNN人脸表情识别的投票模型 |
| 4.1 引言 |
| 4.2 卷积神经网络概述 |
| 4.2.1 卷积神经网络的基本思想 |
| 4.2.2 卷积神经网络的基本结构 |
| 4.3 经典卷积神经网络介绍 |
| 4.3.1 VGG19 |
| 4.3.2 Resnet18 |
| 4.4 基于空间金字塔改进的人脸表情识别 |
| 4.4.1 空间金字塔池化 |
| 4.4.2 实验结果数据分析 |
| 4.5 基于投票模型的人脸表情识别 |
| 4.5.1 投票模型 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（4）基于单幅前视图的人脸识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 单样本人脸识别研究现状 |
| 1.3 人脸识别系统 |
| 1.3.1 人脸检测 |
| 1.3.2 图像预处理 |
| 1.3.3 人脸特征提取 |
| 1.3.4 人脸识别 |
| 1.4 本课题的研究重点与难点 |
| 1.5 本文内容的结构安排 |
| 2 虚拟多姿态人脸样本生成方法 |
| 2.1 概述 |
| 2.2 同类多姿态虚拟样本生成方法 |
| 2.2.1 基于多项式拟合的虚拟样本生成 |
| 2.2.2 基于正弦变换的虚拟样本生成 |
| 2.2.3 基于空间旋转的虚拟样本生成 |
| 2.2.4 小结 |
| 2.3 基于单应变换的虚拟样本生成 |
| 2.3.1 条件假设 |
| 2.3.2 单应矩阵计算 |
| 2.3.3 实验结果分析与总结 |
| 2.4 本章小结 |
| 3 基于Gabor小波变换的人脸特征提取 |
| 3.1 小波变换原理 |
| 3.2 2D-Gabor小波 |
| 3.3 主成分分析 |
| 3.4 基于Gabor小波和PCA的人脸识别 |
| 3.5 本章小结 |
| 4 基于SVM的人脸识别 |
| 4.1 概述 |
| 4.2 支持向量机 |
| 4.3 多分类的支持向量机算法 |
| 4.3.1 “一对一”SVM |
| 4.3.2 “一对多”SVM |
| 4.4 静态单幅图像的人脸识别 |
| 4.5 本章小结 |
| 5 视频中的人脸识别 |
| 5.1 视频中人脸识别问题的分析 |
| 5.2 目标估计 |
| 5.3 目标跟踪 |
| 5.4 实验结果 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 已发表论文及科研情况 |
| 论文 |
| 比赛奖励 |
| 参与的科研与教学工作 |
（5）跨摄像头人脸检测与识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 人脸识别技术的研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 人脸检测跟踪与识别关键技术研究 |
| 2.1 人脸检测主要技术研究 |
| 2.1.1 运动图像序列的背景建模 |
| 2.1.2 运动目标检测 |
| 2.2 人脸跟踪主要技术研究 |
| 2.2.1 Kalman滤波 |
| 2.2.2 基于模板匹配的跟踪 |
| 2.2.3 均值漂移算法 |
| 2.3 人脸识别主要技术研究 |
| 2.3.1 基于PCA的人脸识别 |
| 2.3.2 基于Gabor小波的人脸识别 |
| 2.3.3 分类器 |
| 2.4 本章小结 |
| 第3章 人脸检测跟踪与识别关键算法改进 |
| 3.1 基于改进的AdaBoost人脸检测算法 |
| 3.1.1 基于AdaBoost算法的人脸检测 |
| 3.1.2 基于肤色的人脸检测 |
| 3.1.3 改进的Adaboost人脸检测方法的实现 |
| 3.1.4 实验及结果分析 |
| 3.2 基于改进的Camshift人脸跟踪方法 |
| 3.2.1 Camshift与 Kalman相结合人脸跟踪方法的实现 |
| 3.2.2 实验及结果分析 |
| 3.3 基于PCA与 Gabor小波相融合的人脸识别算法 |
| 3.3.1 预处理 |
| 3.3.2 Gabor提取特征 |
| 3.3.3 PCA降维 |
| 3.3.4 实验结果及分析 |
| 3.4 本章小结 |
| 第4章 跨摄像头人脸检测与识别系统的设计与实现 |
| 4.1 监控系统概述 |
| 4.2 系统总体设计 |
| 4.2.1 系统架构 |
| 4.2.2 功能构架 |
| 4.2.3 技术构架 |
| 4.3 系统测试 |
| 4.4 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历、申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（6）基于图像的空中目标跟踪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究背景和意义 |
| 1.2 论文国内外研究现状 |
| 1.3 本文研究工作和组织结构 |
| 1.3.1 本文的研究工作 |
| 1.3.2 本文的组织结构 |
| 2 空中目标跟踪技术归类与分析 |
| 2.1 灰度匹配法 |
| 2.1.1 数学过程分析 |
| 2.1.2 算法性能测试 |
| 2.2 帧差法 |
| 2.2.1 数学过程分析 |
| 2.2.2 算法性能测试 |
| 2.3 轮廓跟踪法 |
| 2.3.1 算法数学过程分析 |
| 2.3.2 算法性能分析 |
| 2.4 光流法 |
| 2.4.1 算法数学过程分析 |
| 2.4.2 算法性能分析 |
| 2.5 本章小结 |
| 3 Gabor小波纹理特征提取 |
| 3.1 目标图像预处理 |
| 3.1.1 视频帧去噪处理 |
| 3.1.2 视频帧直方图均衡化 |
| 3.1.3 视频帧图像边缘提取 |
| 3.2 Gabor小波变换数学原理 |
| 3.3 Gabor小波特征提取 |
| 3.4 PCA特征向量降维化 |
| 3.5 本章小结 |
| 4 混合高斯模型分类器 |
| 4.1 引言 |
| 4.2 混合高斯模型分类器的数学原理分析 |
| 4.3 混合高斯模型分类器设计 |
| 4.3.1 EM算法原理分析 |
| 4.3.2 EM算法求解GMM参数 |
| 4.4 混合高斯分类器 |
| 4.4.1 混合高斯模型训练 |
| 4.4.2 混合高斯模型分类器测试 |
| 4.5 本章小结 |
| 5 算法的X86平台测试及优化 |
| 5.1 引言 |
| 5.2 算法功能模块设计 |
| 5.3 X86平台代码优化 |
| 5.4 算法性能测试 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（7）复杂交通监控场景下运动目标检测与跟踪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 目标检测与跟踪方法概述 |
| 1.3.1 运动目标提取 |
| 1.3.2 检测区域分类 |
| 1.3.3 跟踪 |
| 1.4 本文的结构和安排 |
| 第二章 基于像素块编码的交通背景建模方法 |
| 2.1 背景减法概述 |
| 2.1.1 交通视频预处理 |
| 2.1.2 常用的背景建模方法 |
| 2.1.3 前景检测 |
| 2.1.4 数据校验 |
| 2.2 基于像素块编码的交通背景建模 |
| 2.2.1 标准码本模型 |
| 2.2.2 像素块编码 |
| 2.3 像素块编码更新 |
| 2.4 实验与分析 |
| 2.4.1 实验结果 |
| 2.4.2 定量分析 |
| 2.5 本文小结 |
| 第三章 基于马尔可夫随机场的自适应车辆阴影检测方法 |
| 3.1 阴影检测方法概述 |
| 3.1.1 基于特点的阴影检测 |
| 3.1.2 常用的阴影检测方法 |
| 3.2 基于 MRF 自适应阴影检测方法 |
| 3.2.1 阴影辨别模型 |
| 3.2.2 HSI 空间特征 |
| 3.2.3 颜色特征模型 |
| 3.2.4 纹理特征模型 |
| 3.2.5 基于 MRF 的阴影检测 |
| 3.3 实验与分析 |
| 3.3.1 实验结果 |
| 3.3.2 性能评估方法 |
| 3.3.3 定性分析 |
| 3.4 本文小结 |
| 第四章 基于 GHOG 特征行人识别方法 |
| 4.1 常用的目标分类识别方法 |
| 4.2 基于 GHOG 特征行人识别方法 |
| 4.2.1 Gabor 变换 |
| 4.2.2 Gabor 小波提取目标特征 |
| 4.2.3 Gabor 特征融合 |
| 4.2.4 HOG 特征提取 |
| 4.2.5 特征分类 |
| 4.3 实验与分析 |
| 4.3.1 实验结果 |
| 4.3.2 性能分析 |
| 4.4 本文小结 |
| 第五章 图像分块稀疏表示的目标跟踪方法 |
| 5.1 目标跟踪概述 |
| 5.1.1 点跟踪 |
| 5.1.2 核跟踪 |
| 5.1.3 轮廓跟踪 |
| 5.2 基于图像分块稀疏的目标跟踪方法 |
| 5.2.1 基于外观模型的稀疏表示 |
| 5.2.2 图像分块的稀疏表示 |
| 5.2.3 增量学习 |
| 5.2.4 BOMP 块正交匹配 |
| 5.2.5 贝叶斯推理的目标跟踪 |
| 5.3 实验分析 |
| 5.3.1 定性分析 |
| 5.3.2 定量分析 |
| 5.4 本文小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 目标检测和跟踪发展 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）人体行为识别关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 基于计算机视觉的行为识别 |
| 1.2.1 人体行为表征 |
| 1.2.2 行为识别的分类技术 |
| 1.3 可穿戴传感行为识别及其应用 |
| 1.4 主要研究难点及发展趋势 |
| 1.5 本文研究内容与结构安排 |
| 2 人体目标分割、跟踪及图像融合技术 |
| 2.1 人体目标分割 |
| 2.2 可见光与红外双波段图像融合 |
| 2.2.1 引言及问题提出 |
| 2.2.2 夜视图像彩色融合方案 |
| 2.2.3 基于 NSCT 的红外和可见光图像融合 |
| 2.2.4 YUV 空间颜色传递 |
| 2.2.5 实验结果及分析 |
| 2.3 Mean-Shift 框架下的目标跟踪 |
| 2.4 本章小结 |
| 3 基于能量变化图和多类相关向量机的人体行为识别 |
| 3.1 引言及问题提出 |
| 3.2 序列图像中的人体轮廓提取 |
| 3.3 人体行为表征 |
| 3.3.1 人体行为的周期特性 |
| 3.3.2 能量变化图 |
| 3.3.3 形状特征与运动特征提取 |
| 3.4 多类相关向量机模型 |
| 3.4.1 多类相关向量机的数学描述 |
| 3.4.2 基于多类相关向量机的行为分类 |
| 3.5 实验与分析 |
| 3.5.1 Weizmann 数据库 |
| 3.5.2 实验结果及分析 |
| 3.6 本章小结 |
| 4 基于视觉特性的红外成像人体行为识别 |
| 4.1 引言及问题提出 |
| 4.2 人体目标轮廓提取 |
| 4.3 基于 Gabor 类小波的行为表征 |
| 4.3.1 Gabor 小波与 Log-Gabor 小波的定义 |
| 4.3.2 Gabor 小波与 Log-Gabor 小波的特性比较 |
| 4.3.3 行为特征提取 |
| 4.4 高维行为特征降维 |
| 4.4.1 主元分析法及其在行为特征降维中的运用 |
| 4.4.2 鉴别共同向量及其在行为特征降维中的运用 |
| 4.5 行为分类 |
| 4.6 实验结果及分析 |
| 4.6.1 IADB 数据库 |
| 4.6.2 实验结果及分析 |
| 4.7 本章小结 |
| 5 可穿戴传感人体行为识别 |
| 5.1 引言及问题提出 |
| 5.2 WARD 数据库 |
| 5.3 时频域行为特征提取 |
| 5.3.1 数据预处理 |
| 5.3.2 特征提取 |
| 5.3.3 特征归一化 |
| 5.4 子空间特征降维 |
| 5.4.1 主元分析及线性判别分析 |
| 5.4.2 广义判别分析 |
| 5.4.3 基于广义判别分析的行为特征降维 |
| 5.5 基于组合相关向量机的行为分类 |
| 5.5.1 相关向量机分类模型 |
| 5.5.2 行为分类 |
| 5.6 实验结果及分析 |
| 5.6.1 本文方法识别结果 |
| 5.6.2 对比分析 |
| 5.7 本章小结 |
| 6 可穿戴传感行为识别系统中的多节点决策融合 |
| 6.1 引言及问题提出 |
| 6.2 采用单传感节点的行为识别 |
| 6.3 多传感节点决策融合策略 |
| 6.4 实验结果及分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读博士学位期间发表的论文目录 |
| B. 作者在攻读博士学位期间主持或参与的科研项目 |
（9）基于Gabor小波的车辆识别与跟踪技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 车辆目标的跟踪与检测技术 |
| 1.2.1 车辆目标的检测方法 |
| 1.2.2 车辆目标识别方法 |
| 1.2.3 车辆目标的跟踪方法 |
| 1.3 本文研究的主要内容 |
| 2 GABOR 小波分析 |
| 2.1 小波变换 |
| 2.1.1 傅里叶变换 |
| 2.1.2 小波变换 |
| 2.2 GABOR小波 |
| 2.2.1 Gabor 滤波器表达式 |
| 2.2.2 2D Gabor 滤波器 |
| 2.3 多通道GABOR滤波器 |
| 2.3.1 基于多通道Gabor 滤波器的图像展开 |
| 2.3.2 多通道Gabor 滤波器的参数选择 |
| 2.3.3 基于多通道Gabor 滤波器的纹理特征提取 |
| 2.3.4 多通道Gabor 滤波器的设计 |
| 2.3.5 灰度图像目标的特征向量表示 |
| 2.4 本章小结 |
| 3 基于GABOR 小波特征和BP 神经网络的车辆目标识别 |
| 3.1 车辆目标识别系统的预处理 |
| 3.1.1 视频图像序列采集 |
| 3.1.2 确定目标区域 |
| 3.1.3 背景重建 |
| 3.1.4 图像滤波 |
| 3.2 提取GABOR小波特征的方法 |
| 3.2.1 Gabor 滤波器参数的选择 |
| 3.2.2 Gabor 小波特征点的提取 |
| 3.2.3 建立目标数据库 |
| 3.2.4 特征点的匹配 |
| 3.3 基于BP 神经网络的车型识别 |
| 3.3.1 神经网络介绍 |
| 3.3.2 BP 网络学习规则 |
| 3.3.3 BP 网络结构设计 |
| 3.3.4 BP 网络的参数设置和训练 |
| 3.3.5 车型识别系统的实现 |
| 3.3.6 车型识别实验结果分析 |
| 3.4 本章小结 |
| 4 基于KALMAN 滤波和GABOR 特征匹配的车辆目标跟踪 |
| 4.1 概述 |
| 4.2 KALMAN滤波器实现原理 |
| 4.3 基于KALMAN 滤波器的目标运动估计 |
| 4.4 图像匹配算法 |
| 4.4.1 基于Gabor 特征点的特征匹配 |
| 4.4.2 车辆目标的运动模型 |
| 4.5 GABOR小波跟踪算法的实现 |
| 4.5.1 算法的适用范围 |
| 4.5.2 算法流程图 |
| 4.6 跟踪实验结果分析 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 本文工作及成果总结 |
| 5.2 下一步的研究工作 |
| 参考文献 |
| 致谢 |
| 研究生期间发表论文及参见项目情况 |
（10）基于图像的目标识别与跟踪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究发展现状综述 |
| 1.2.1 目标识别方法国内外研究现状 |
| 1.2.2 目标跟踪方法国内外研究现状 |
| 1.3 基于图像的识别与跟踪技术难点 |
| 1.4 论文的主要研究内容 |
| 第2章 图像预处理 |
| 2.1 图像自适应-模糊滤波算法 |
| 2.1.1 脉冲噪声的自适应滤波算法 |
| 2.1.2 高斯噪声的模糊滤波算法 |
| 2.1.3 图像滤波算法中的快速中值计算 |
| 2.1.4 图像滤波算法仿真结果 |
| 2.2 模板特征点初始化预处理 |
| 2.2.1 特征点初始化序列的选择 |
| 2.2.2 特征点初始化序列算法性能比较与分析 |
| 2.2.3 Gabor小波特征点初始化 |
| 2.3 本章小结 |
| 第3章 基于Gabor小波特征的目标识别方法 |
| 3.1 小波变换 |
| 3.1.1 一维连续小波变换 |
| 3.1.2 二维连续小波变换 |
| 3.2 Gabor小波特性分析与Gabor小波系数的快速算法 |
| 3.2.1 Gabor小波特性分析 |
| 3.2.2 Gabor小波系数的快速算法 |
| 3.3 Gabor小波参数的选取和特征点选择 |
| 3.3.1 Gabor小波的参数特性分析 |
| 3.3.2 Gabor小波参数选取 |
| 3.4 本章小结 |
| 第4章 基于图像模板匹配的目标识别方法 |
| 4.1 普通模板匹配 |
| 4.1.1 普通模板算法 |
| 4.1.2 实验结果与分析 |
| 4.2 改进的序贯相似性检测(SSDA)算法 |
| 4.2.1 经典序贯相似性检测算法 |
| 4.2.2 改进序贯相似性检测算法 |
| 4.2.3 基于MCD距离的自适应模板更新 |
| 4.2.3 实验结果与分析 |
| 4.3 改进的均值移动(Mean Shift)算法 |
| 4.3.1 均值移动(Mean Shift)算法 |
| 4.3.2 目标跟踪中的均值移动(Mean Shift)算法 |
| 4.3.3 均值移动(Mean Shift)算法分析与改进 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于卡尔曼的非线性自适应跟踪算法 |
| 5.1 基本卡尔曼滤波器 |
| 5.2 建立机动目标的数学模型 |
| 5.2.1 一阶时间相关模型 |
| 5.2.2 机动目标当前统计模型 |
| 5.3 基于当前统计模型的卡尔曼滤波算法分析 |
| 5.3.1 当前统计模型卡尔曼滤波算法 |
| 5.3.2 当前统计模型卡尔曼滤波算法仿真 |
| 5.3.3 当前统计模型卡尔曼滤波算法存在不足分析 |
| 5.4 基于卡尔曼的非线性自适应跟踪算法 |
| 5.4.1 基于卡尔曼的非线性自适应跟踪算法 |
| 5.4.2 基于卡尔曼的非线性自适应跟踪算法仿真 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、Gabor小波目标特征提取和跟踪方法的研究（论文参考文献）
- [1]基于改进的FLBP与Gabor融合的图像轮廓提取算法[D]. 张晓宇. 安徽理工大学, 2021(02)
- [2]基于KinectV2的人体姿态识别研究[D]. 李晨光. 燕山大学, 2021
- [3]基于特征融合与投票模型的人脸表情图像识别研究[D]. 杨飞. 湖北工业大学, 2020(04)
- [4]基于单幅前视图的人脸识别算法研究[D]. 毛雯. 西安理工大学, 2017(01)
- [5]跨摄像头人脸检测与识别算法研究[D]. 杨乐乐. 桂林理工大学, 2017(06)
- [6]基于图像的空中目标跟踪算法研究[D]. 闫俊强. 中北大学, 2016(08)
- [7]复杂交通监控场景下运动目标检测与跟踪方法研究[D]. 薛茹. 长安大学, 2014(12)
- [8]人体行为识别关键技术研究[D]. 何卫华. 重庆大学, 2012(02)
- [9]基于Gabor小波的车辆识别与跟踪技术研究[D]. 袁峰. 扬州大学, 2009(12)
- [10]基于图像的目标识别与跟踪方法研究[D]. 邢卓异. 哈尔滨工程大学, 2007(08)