一、基于图象的人体运动追踪系统研究（论文文献综述）
曹珍珍[1]（2021）在《污染修复场地中基于视频的目标运动轨迹检测方法》文中指出由于污染修复场地现场环境复杂,部分区域的有毒气体浓度过高,会对施工人员的身体造成危害。因此,如何有效的监控施工人员、准确获取施工人员的行动轨迹,防止其误至禁入范围,确定相关工人的个人保障,是污染环境修复作业亟待解决的问题。本文针对污染修复场地智能监控系统中的视频目标运动轨迹进行研究,主要包括运动目标的实时检测、稳定跟踪、轨迹提取三个阶段。本文所做的主要工作为:（1）针对污染修复现场中光线复杂多变的问题,分析了Gradient Flow、Saliency Aware Geodesic、Frequency-tuned、Geodesic Saliency、Manifold Ranking五种经典目标检测算法所存在的特点,最终提出了一种Video Saliency Detection based on Prior Fusion模型（简称VSDPF）,来实现运动目标的检测。该模型采用先验融合的方法,能够有效地抑制背景区域,从而提高前景显着目标检测的完整度,并且运行效率高,满足实时系统的要求。（2）针对运动目标在污染修复环境中尺度变化快、跟踪效率低的问题,论述了Multiple Instance Learning、Tracking Learning Detection、Median Flow、Kernel Correlation Filter、Boosting五种经典的跟踪算法,最终采用fast Discriminative Scale Space Tracker算法（简称f DSST）对目标进行实时跟踪。该算法在尺度自适应视觉跟踪方法的基础上,采用特征降维和插值的技巧对算法进行了大幅加速,加速后的搜索框面积增大,精度上也有提升。（3）针对运动目标,利用中心提取法提取视频序列中施工人员的运动轨迹,该方法在污染修复场地智能监控系统中可得到应用。实验表明,提出的VSDPF模型在ViSal数据集中的平均绝对误差（MAE）约为0.096,在Segtrack V2数据集中的MAE值小于0.117,能够准确的检测出视频运动目标;所采用的f DSST模型FPS（Frames Per Second）值可达35.868帧/s,对运动目标有较高的跟踪效率,增加了轨迹提取的识别率。该算法在污染修复场地智能监控系统中得到应用,满足系统要求。
李雯雯[2]（2019）在《视频监控中运动人体的检测与追踪技术研究》文中进行了进一步梳理随着科技的发展,智能视频监控的普及,计算机视觉领域中运动目标的检测与追踪的需求变得越来越重要。虽然已经有大量检测目标和跟踪目标的方法,然而,由于视频中人体成像的差异和背景环境的变化,使得运动目标的检测和追踪成为一项很困难的工作。本文的研究工作主要是在静态背景中检测和追踪运动人体,重点工作内容安排如下:在运动人体检测方面,针对传统三帧差分法检测人体轮廓的不足,提出了一种改进算法,通过改进混合高斯背景模型的建立,获得当前视频帧的背景模型,再使用背景相减法得到当前帧的移动目标区域,再将该运动目标区域进一步划分为非动态区域和动态区域,然后判定得到的动态区域即准确的运动目标区域,并采用不同的背景更新率实时的对背景区域进行更新;同时利用三帧差分法,将视频当前帧分别同前一帧、下一帧做差值运算,并对差值结果进行“与”操作,并将获得的运动目标区域同“与”运算结果,进行相“或”操作,并对操作结果通过形态学相关处理,获得最终平滑的轮廓区域。在运动人体追踪领域,首先叙述了几种主流的目标追踪技术,主要包括基于区域、形状和模型的目标追踪技术。同时以传统追踪方法为基础,并结合Kalman滤波和Meanshift跟踪算法,融入改进思想,使用几何特征去描述人体目标的观测模型,采用了自适应融合的策略,即根据特征信息在跟踪的过程中会根据不同环境中的可信程度来调整在融合过程中的权重;并用Kalman滤波器对目标路径进行预测,再通过Meanshift算法定位运动目标位置信息,进行迭代判断,并利用跟踪框对目标进行标识,同时采用遮挡判断,实现运动人体目标的鲁棒追踪。本文的研究主要以Matlab工具和高清视频进行算法的模拟和仿真,实现了运动人体的检测与有效追踪,并对比了改进算法的性能与精确度,确定了检测和追踪算法的有效性。
李振兴,谭洪,李开成,叶诗韵,贾长杰[3]（2017）在《基于热释电红外传感器的人体追踪电机控制的应用》文中研究指明立足于当今物联网技术的发展以及智能家居的研究现状,设计了一种基于热释电红外传感器的智能人体追踪电扇。该设计采用MSP430F149单片机作为控制器,通过5个HC-SR501热释电红外传感器组对人体位置的实时检测,实现左右和上下二维方向追踪人体。整个系统实用性强、集成度高、价格便宜、体积轻巧,具有广阔的应用前景。
吴向平[4]（2007）在《视觉跟踪算法的研究及其在生物运动分析中的应用》文中认为生物体在其生理活动过程中会表现出各种运动形式，对这些运动形式做追踪是有生理意义的。通过对这些动态过程作追踪可以揭示某些生理机制、测量某些生理特征参数或者定量分析某些运动机能水平。本文以基于序列图象的视觉跟踪技术为基础和手段，对生物医学领域内的几个不同空间层面上的跟踪问题进行了探讨研究：1．为探讨GLUT4分泌囊泡在脂肪细胞膜上的转运机制，本文使用了TIRF显微镜技术实时动态地观测了GLUT4在胰岛素刺激后在细胞膜附近的转运过程，并提出了基于Kalman滤波的三维单粒子跟踪算法。首先，荧光淬灭的补偿算法被提出用于解决囊泡因荧光淬灭而引起的亮度减弱的问题。在校正了图象亮度后，本文应用了自适应的背景减除算法分割出跟踪囊泡，滤去了大部分静止的荧光颗粒，排除了大部分背景干扰。然后在跟踪过程中引入了Kalman滤波算法来预测被跟踪的囊泡在下一帧的大致位置。最后通过利用高斯拟合的方法来测量囊泡的亮度变化并结合TIRF显微镜的消散场成像特点来间接计算了Z轴方向的运动。实验结果表明：整个跟踪算法在三维方向上较好地跟踪了GLUT4囊泡的长距离运动。首先，补偿算法校正了受淬灭影响而减弱的囊泡亮度，但同时避免了修正因囊泡在Z轴方向的运动而引起的亮度变化。补偿算法保证了被跟踪囊泡在Z轴方向上位置信息计算的准确性，也保证了背景减除算法的稳定。其次，基于Kalman滤波的预测大大减小了跟踪算法在下一帧的搜索范围，从而提高了算法的运算速度，而且也避免了噪声、非目标囊泡的干扰影响，提高了算法的可靠性。2．为了测量大鼠微血管中的血流速度，本文通过将荧光标记的自身红细胞注入SD大鼠体内，在生物荧光显微镜的暗视场下观测了标记红细胞在大鼠微血管中的流动情况。在对暗视场序列图象的分析过程中，本文利用了帧图象分离出奇偶场的图象分析方法测定了血流速度。为了验证该测量方法，在相同测量系统下测量了流动小室流场中荧光小球的流速。最后把该测量方法应用于微循环障碍实验中。实验结果表明：本文的流速测量方法是有效可靠的，在验证实验中得到的测量值与实际值之间的误差小于7％，两者没明显的差异（P＞0.05）；在微循环障碍实验中，得到了血流速度的变化情况，很好地反映了大鼠微循环障碍的生理变化情况，也间接印证了测量方法的有效性。3．为了建立中风病人的愈后评价方法，本文通过普通视频观测了人体上肢的运动，并提出了基于颜色模型的Kalman-Particle（KP）滤波跟踪算法。在KP滤波算法中，Kalman滤波器作为局部线性优化器被引入传统粒子滤波算法的采样阶段来得到一个更好的重要密度分布。在计算Kalman滤波器的测量值过程中，颜色聚类算法提供了独立的测量模型，其计算结果也被用于遮挡问题的处理，最后KP算法引入了遮挡处理机制。本文分别比较了KP滤波算法和Kalman线性滤波算法、传统的粒子滤波算法。结果表明：KP算法不但具有传统的粒子滤波算法的处理非线性、多模态的能力，能很好背景干扰的情况，而且KP算法在采样阶段使得粒子大多集中在高概率分布的区域，从而减小了粒子的退化现象并大大减少了粒子数目，进而提高了运算速度。此外，KP算法能够很好的处理长时间的完全遮挡的情况。对上述几个生物医学领域中跟踪问题的研究既要求设计合理的实验方案来获得真实、可靠的图象序列，又要求采用有效的跟踪算法来跟踪目标取得运动参数。正是基于这两点，作者对上述几个跟踪问题进行了探索性研究，并取得了以下创新成果：提出了荧光淬灭补偿算法和基于Kalman滤波的三维单粒子跟踪算法用于GLUT4囊泡转运过程的追踪；提出了基于序列图象分析的大鼠微血管血流速度的测量方法以及流动小室验证流速测量的方法；提出了基于颜色模型的Kalman-Particle滤波跟踪算法用于人体上肢运动的分析。
雷小永,戴树岭,孙耀辉[5]（2001）在《基于图象的人体运动追踪系统研究》文中指出首先介绍了运动测量的几种主要方法,讨论了基于图象的运动追踪研究中要考虑的时间延迟问题及多摄像机的采集同步问题,最后介绍了一个能较好地完成大尺度空间人体无约束追踪的基于透视四点投影（P4P）问题的单摄像机运动追踪实验系统,包括摄像机标定、图象处理、特征提取、特征匹配、深度估计和姿态估计等等技术。
金昱潼[6]（2020）在《隧道救援VR系统交互界面布局优化方法与应用》文中进行了进一步梳理菜单式的交互界面一直是众多人机交互设备的主要交互载体,过去这种交互方式主要以二维的平面式交互为主,但随着近年来虚拟现实VR、增强现实AR等三维成像技术的发展与普及,人机交互方式也在渐渐的由二维的平面点击式交互方式向三维立体的空间指向式交互转变。但由于技术的更新速度大于现阶段对于三维空间式的交互的理论研究,所以造成一些基于VR沉浸式系统在用户体验方面的缺陷,比如在三维的空间交互中,不合理的菜单布局,例如菜单距离或者尺寸大小等,都会让用户产生不适应感甚是眩晕等,并且大大降低了交互任务的操作绩效。所以符合人机工程学的三维空间式交互界面的布局方法是一个值得研究的课题。我们将三维空间中的交互界面划分为两大类:三维空间中的二维交互界面（在三维空间中操作二维的界面）以及三维空间中的三维交互界面（三维场景中的交互）。本文的应用对象为某基于VR技术的沉浸式隧道救援培训系统,该系统以能降低培训成本,提升培训效率,扩大培训范围,尽可能还原真实救援场景,增强参与培训的各个工种之间的沟通渠道为目的所搭建。该系统中主要包括两个场景,准备阶段的设备库救援设备选择以及救援阶段的隧道现场营救,其中都涉及到上述提到的两种交互界面形式。对于三维空间中的二维界面的交互界面,我们主要目的是为改善虚拟交互界面的操作效率,将人视觉注意机制融入到虚拟交互界面中,提出一种基于人视觉注意习惯的VR虚拟环境下的界面优化模型。根据人眼视觉注意机制,选出二维交互界面中的影响因素,如救援方案决策界面的色彩、间距等,以及在三维空间中的人视觉注意等级区域的划分,建立以用户视觉注意力最高为目标的函数模型。运用MATLAB软件和遗传算法对其目标函数进行求解,然后将得到数据转化为具体的界面布局信息,应用于该VR系统的中的二维的隧道救援方案的决策界面布局优化。最后通过眼动实验对优化后的界面进行评估,结果验证了该模型的可行性,优化后的界面更符合人视觉注意机制。而针对于三维空间中的三维交互界面—在救援设备仓库中进行设备的选择,准确的说它并不是一个界面而是一个三维的交互场景。我们将从三维界面的维度、交互任务的复杂度以及用户的知识结构三个方面来构架操作绩效预测模。首先通过将原有的Fitts模型增加深度与宽度维度,然后设计实验探究三维目标深度、尺寸大小、运动幅度对于交互时间的影响,得到一种虚拟情景下三维目标指向交互模型。再与HickHyman定律通过信息论进行结合,总结出了针对三维空间交互的时间预测绩效模型,用该模型去评估不同救援设备布局方案的操作时间,以选出操作用时最短的救援设备布局方案。本文针对VR虚拟环境中的两种不同的交互界面形式给出了两种不同的布局优化方法,并且通过对VR隧道救援培训系统中交互界面的应用,改进了救援方案决策界面布局,让其更加符合人视觉注意机制。同样通过评估备选救援设备布局方案操作时间,并筛选出最高效的布局方案,提高了操作绩效。并证明两种方案可以为用户界面研究和设计人员提供一种快速有效的研究方法。
赵瑞杰[7]（2018）在《基于面部识别的人体运动追踪系统研究》文中研究表明运动人物的识别与追踪问题一直都是计算机视觉领域的热点研究课题。随着近年来人工智能的发展,深度神经网络的应用涉及到了各个领域。相较于之前的解决方法,甚至有些问题基于深度神经网络而有了更好的解决方案。本文主要讨论的是基于人脸识别锁定目标人物,并且实现对目标人物的运动追踪。本文的研究内容总体可以分为两个方面。第一个方面,是目标人物的识别问题。由于目标个体整体特征不具备识别性,整体识别易导致误差,因而本文采用的是基于面部对目标人物进行识别的方式。本文介绍了深度神经网络在面部识别方面的应用,最终选取不依赖于任何第三方库函数并且开源的SeetaFace人脸识别系统。代码基于C++实现,该系统开源协议为BSD-2。第二个方面是运动人物的追踪问题。当通过算法识别到图像内出现与目标人脸相似度达到一定水平时,将自动切换至追踪运动人物的整体躯干部分。在追踪部分对比了多种算法,并结合实验数据进行对比。针对遮挡与相似颜色干扰两个问题,本文提出了基于方向预测的受限CamShift算法（RCA—DR）。RCA—DR选用经典的CamShift作为优化基础,与卡尔曼滤波相结合以防止存在目标被遮挡的情况,并且融入帧间差分算法防止相邻帧之间出现相似颜色的干扰。经过试验验证,人脸识别与跟踪算法的衔接可行,并且这一解决方法在跟踪的过程中既防止相似颜色物体干扰与被遮挡的问题,又保证了追踪过程的稳定性,并在鲁棒性、精确性和实时性等方面也取得了很好的效果。
高智凡[8]（2017）在《基于医学图像的动脉硬化疾病识别》文中研究指明心血管疾病是严重危害人类健康的重大疾病。我国人口众多且心血管疾病一直处于高发状态,因此通过计算机辅助手段预测、诊断和治疗心血管疾病是迫切并且有实际需要的。在各种计算机辅助诊疗技术中,基于医学图像的心血管疾病诊断是医学图像处理领域的一个重要的研究方向,也是临床关心的研究热点之一。本文的目的是研究如何使用图像处理和机器学习技术,更准确、鲁棒和快速地从关键医学影像中自动挖掘出重要心血管疾病指示信息,以便对后续的临床诊断和治疗产生帮助。常用的关键心血管疾病影像学检查技术包括:1)血管内超声成像,从中可以检测出斑块负荷这一指标,该指标是选择后续介入治疗方案的重要依据。2)计算机断层造影成像,从中可以观察血管的三维结构,可以为血流动力学仿真提供血管几何结构信息,以判断血管供血是否正常。3)颈动脉超声成像,从中可以检测出颈动脉血管壁运动这一指标,该指标近年来被认为是心血管疾病的一种新的预测因子。基于上述成像技术所得医学图像,本文的研究内容主要包括:·研究基于血管内超声图像的冠状动脉血管边界检测的方法。由于带声影的高密度钙化斑块会对血管中外膜边界的提取产生一定影响,所以本方法首先研究如何从血管内超声图像中识别出含有软斑块和低密度钙化斑块的血管截面以及含有高密度钙化斑块的血管截面,然后针对这两种情况,利用区域生长方法和曲线优化技术提取血管中外膜边界。已提取出的血管中外膜边界缩小血管管腔分割的感兴趣区域。鉴于血管管腔与板块之间的图像对比度在具有不同程度的动脉硬化疾病的冠状动脉上有明显的特异性,因此使用自编码器神经网络来更有效地提取管腔区域的图像特征,然后对管腔区域和非管腔区域进行分类,以得到血管管腔边界。实验结果证实了该方法的有效性。·研究基于计算机断层造影图像的冠状动脉血管分割及三维重建的方法。考虑到计算机断层造影图像中主动脉几何形态的稳定性,首先研究主动脉在不同断层图像中的定位,然后利用主动脉和冠状动脉相连这一解剖特征找到冠状动脉根部的位置。接下来,通过把断层血管图像从血管横截面角度投影到不同方向的血管长轴角度,得到含有血管长轴的图像。把冠状动脉根部当做种子点,利用动态规划方法得到血管长轴的管腔边界。最后不同投影角度得到的管腔边界,利用拟合技术重建出三维血管结构。实验结果证实了该方法的有效性。·研究基于颈动脉超声图像的血管壁运动追踪的方法。考虑到颈动脉运动追踪的逆问题本质,首先研究建立运动描述模型,以对颈动脉运动过程加以约束。然后通过状态空间方法将该运动模型转换到状态方程的形式,其观测值由块匹配方法提供。由于模型噪声分布的不确定性,研究使用H∞滤波器来求解该状态方程,以预测血管目标组织运动相关的状态值。最后在时间-空间上将目标组织在每帧超声图像上位置连接起来,以得到颈动脉血管壁组织的运动轨迹。实验结果证实了该方法的有效性。
周亚奇[9]（2014）在《基于视频的人体异常行为检测》文中指出智能视频的分析和监控作为是当今流行的一种安保和防卫的高效方法技术,此技术越来越受到人们的重视。智能视频的监控通常选用模式识别、计算机图像方法和图像图形处理等方式,并采用在监控视频体系当中增添了视频智能分析的模块,然后借助计算机的强大数据运算和处理能力筛选视频画面帧中没用的或者干扰的信息、从而自动判别异常的物体,然后通过分析和提取视频图像之中的有效信息,准确快速的定位出异常场景,及时判断出监控视频的画面之中的异常状况,采用最优的形式发出预警,进而有效的进行提前的预警,实时处理,及时有效的取证的智能视频监控系统。本文概述了当前经常使用的几种判断运动目标方法,比如背景差分法,时间差分法和光流法。通过各种方法的比较,本文主要采用背景减除法检测运动目标。背景减除方法适用于静止的摄像机,可以完成对运动目标的分割,很容易受光照,天气的变化和外部的不相关的事件等。背景图象会伴随着时间和环境的改变而改变,假如无背景模型的建立,背景的转变就会致使运动目标的检测产生很大的错误,个别背景点很有可能会被错误的分类到前景点。因而在运动目标的检测过程当中,图片背景的建模起了非常关键的作用,因而有需要创建适合的模型背景来适应不断转变的环境。然后提出了对于目标跟踪法Mean Shift算法的改进方法。其次,本文介绍了基于模糊聚类分类方法。聚类分析是一种工具,对检测数据,根据数据的相似性测量或感知的分类很多学科,检测数据为每个类的模式更类似的聚合,使模式之间的关系的得到估计。本文就以图形图像为例,设计一个基于模糊聚类的图形识别系统。经过实验,在选取阈值合适的条件下,能够实现不同图形的正确聚类,进而通过聚类结果分析出行为是否属于异常。
韦素媛[10]（2013）在《实用步态数据库的建立和步态特征提取与表征方法》文中提出步态识别是进行远距离非侵犯性视觉监控、进行身份识别的理想技术之一。步态特征的提取质量对识别效果来说至关重要,在实用步态识别系统中如何构建步态数据库也是目前没有得到很好解决的问题。围绕步态识别技术与实用之间存在的这两个突出的问题,本文进行了以下几个方面的研究：（1）提出了一种建立实用步态数据库的方法,详细设计了步态特征数据库的建立方法、数据结构、步态信息的获取方法以及身高查询条件的确定方法,建立了百人规模的多信息步态数据库。（2）提出了一种结构化步态特征表示方法,结合关系数据库技术设计了一个基于数据库技术的步态识别方法,使步态识别能够利用关系数据库查询的高效性来快速缩小识别范围,提高运行效率和准确性。并通过实验验证了基于数据库技术的步态识别方法良好的身份识别效果。（3）提出一种基于时空能量图的步态特征弱周期性表示方法,给出了步态特征弱周期性和步态序列的时空能量图的定义,以统计分析的方式证明了这种特征表示对于噪声的干扰不敏感。将这种方法与论文提出的几种步态特征提取算法相结合,实验结果表明,这种方法大大简化了步态识别的预处理过程,减少步态特征的数据存储空间,降低了特征提取对于步速、摄像机采样频率等因素具体条件的依赖性,同时,识别性能也具有一定的实用参考价值。（4）利用小波多分辨率分析表征信号局部特征的优势,结合互信息熵的判据,提出一种基于小波分析和互信息熵的步态特征表示和识别算法,将小波变换得到的相似子图和各个具有局部方向特性的细节子图都利用到组合步态特征中,求得最大互信息熵时得到对应的组合特征参数组,这些参数突出了步态中行走习惯的细节差异,使提取的步态特征更集中在有利于分类的关键信息点上,从而步态识别过程更为接近人类视觉的智能识别过程。在步态识别阶段提出了互信息度量的改进方法,即沿用了能量分析和互信息度量的有效思路,又提高了识别速度。
二、基于图象的人体运动追踪系统研究（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、基于图象的人体运动追踪系统研究（论文提纲范文）
（1）污染修复场地中基于视频的目标运动轨迹检测方法（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 国内外研究现状 |
| 1.2.1 运动目标检测算法研究现状 |
| 1.2.2 目标跟踪算法研究现状 |
| 1.3 本文主要研究内容及结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 第二章 运动目标检测方法研究 |
| 2.1 引言 |
| 2.2 显着性目标检测相关算法 |
| 2.2.1 基于GF的显着性检测 |
| 2.2.2 基于SAG的显着性检 |
| 2.2.3 基于FT的显着性检测 |
| 2.2.4 基于GS的显着性检测 |
| 2.2.5 基于MR的显着性检测 |
| 2.3 基于VSDPF模型的显着性检测 |
| 2.3.1 VSDPF模型基本思想 |
| 2.3.2 VSDPF模型 |
| 2.3.3 实验结果与分析 |
| 2.4 本章小结 |
| 第三章 运动目标跟踪方法研究 |
| 3.1 引言 |
| 3.2 目标跟踪相关算法 |
| 3.2.1 基于MIL的目标跟踪 |
| 3.2.2 基于TLD的目标跟踪 |
| 3.2.3 基于Median Flow的目标跟踪 |
| 3.2.4 基于KCF的目标跟踪 |
| 3.2.5 基于Boosting的目标跟踪 |
| 3.3 基于fDSST的目标跟踪算法 |
| 3.3.1 fDSST的基本思想 |
| 3.3.2 DSST算法介绍 |
| 3.3.3 fDSST算法介绍 |
| 3.3.4 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 污染修复场地智能监控系统 |
| 4.1 引言 |
| 4.2 系统框架 |
| 4.2.1 硬件系统 |
| 4.2.2 软件系统 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（2）视频监控中运动人体的检测与追踪技术研究（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 |
| 1.2.2 运动目标追踪 |
| 1.3 研究的主要技术 |
| 1.4 研究中存在的问题 |
| 1.5 论文主要章节安排 |
| 2 图像预处理相关技术 |
| 2.1 图像增强 |
| 2.1.1 图像灰度变换 |
| 2.1.2 直方图均衡化 |
| 2.2 图像平滑 |
| 2.2.1 均值滤波 |
| 2.2.2 中值滤波 |
| 2.3 图像分割 |
| 2.4 形态学图像处理 |
| 2.4.1 腐蚀和膨胀 |
| 2.4.2 开操作与闭操作 |
| 2.5 本章小结 |
| 3 运动人体检测算法 |
| 3.1 主要检测方法 |
| 3.1.1 背景减法 |
| 3.1.2 帧差分法 |
| 3.1.3 光流场法 |
| 3.2 运动目标背景模型建立 |
| 3.2.1 单高斯背景建模 |
| 3.2.2 混合高斯背景建模 |
| 3.3 阴影去除 |
| 3.4 基于混合高斯与三帧差分的运动人体检测 |
| 3.4.1 背景提取及参数更新 |
| 3.4.2 三帧差分算法 |
| 3.4.3 本文检测算法流程 |
| 3.5 实验结果及分析 |
| 3.5.1 室外行人仿真结果分析 |
| 3.5.2 室内行人仿真结果分析 |
| 3.5.3 不同算法相关指标对比 |
| 3.6 本章小结 |
| 4 运动人体追踪算法 |
| 4.1 常用运动目标跟踪方法 |
| 4.1.1 基于区域的人体目标跟踪 |
| 4.1.2 基于形状的人体目标跟踪 |
| 4.1.3 基于模型的人体目标跟踪 |
| 4.2 Kalman滤波算法追踪原理 |
| 4.2.1 Kalman滤波算法思想 |
| 4.2.2 Kalman滤波跟踪目标过程 |
| 4.3 Meanshift算法跟踪原理 |
| 4.3.1 无参密度估计理论 |
| 4.3.2 Meanshift算法思想 |
| 4.3.3 Meanshift算法跟踪目标过程 |
| 4.3.4 Meanshift算法原理图 |
| 4.4 融合Kalman滤波和Meanshift的追踪算法 |
| 4.5 实验结果及分析 |
| 4.5.1 室内行人跟踪结果 |
| 4.5.2 室外被遮挡行人跟踪结果 |
| 4.6 本章小结 |
| 5 工作总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简介、攻读硕士学位期间取得的学术成果 |
（3）基于热释电红外传感器的人体追踪电机控制的应用（论文提纲范文）
| 0 引言 |
| 1 系统结构及总体方案设计 |
| 2 硬件设计 |
| 2.1 人体运动检测模块 |
| 2.2 系统主控模块 |
| 2.3 电机驱动模块 |
| 2.4 其他模块 |
| 3 软件设计 |
| 4 实验数据分析 |
| 5 结束语 |
（4）视觉跟踪算法的研究及其在生物运动分析中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1.1 研究背景 |
| §1.2 研究意义 |
| §1.3 跟踪技术的研究现状 |
| §1.4 研究内容 |
| 第二章 GLUT4在胞内的三维追踪 |
| §2.1 问题的提出 |
| §2.2 GLUT4简介 |
| §2.3 TIRF显微镜 |
| §2.4 实验准备 |
| §2.5 TIRF序列图象分析 |
| §2.6 本章小结 |
| 第三章 基于暗视场荧光图象分析的大鼠微血管流速测量 |
| §3.1 问题的提出 |
| §3.2 微循环简介 |
| §3.3 常用的血流测量方法 |
| §3.4 测量系系统的硬件组成 |
| §3.5 实验准备 |
| §3.6 血流序列图象分析 |
| §3.7 测量方法的验证 |
| §3.8 微循环障碍实验中的应用 |
| §3.9 本章小结 |
| 第四章 人体上肢关节点的追踪 |
| §4.1 问题的提出 |
| §4.2 人体运动分析方法分类 |
| §4.3 跟踪目标的描述 |
| §4.4 粒子滤波器 |
| §4.5 Kalman-Particle滤波 |
| §4.6 遮挡处理 |
| §4.7 追踪实验 |
| §4.8 本章小结 |
| 第五章 总结与展望 |
| §5.1 工作总结 |
| §5.2 展望 |
| 参考文献 |
| 博士期间相关论文的发表情况 |
| 致谢 |
（6）隧道救援VR系统交互界面布局优化方法与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 虚拟环境中的交互界面研究 |
| 1.2.2 基于视觉认知的交互界面研究 |
| 1.2.3 虚拟情景下的交互技术 |
| 1.2.4 交互界面中的操作绩效预测模型 |
| 1.3 研究内容和研究技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究技术路线 |
| 1.4 本章小结 |
| 第2章 隧道救援VR系统交互界面设计基础理论研究 |
| 2.1 隧道救援VR系统简介 |
| 2.1.1 隧道应急救援系统操作流程 |
| 2.2 隧道救援VR系统中的交互场景 |
| 2.2.1 救援设备库的救援设备选择界面(三维场景) |
| 2.2.2 隧道救援现场中的救援方案决策界面(二维界面) |
| 2.3 交互界面中的设计原则 |
| 2.3.1 Fitts定律在交互界面中的应用 |
| 2.3.2 席克定律(Hick-Hyman Law)的应用与发展 |
| 2.4 视觉注意机制在VR交互界面中的应用与研究 |
| 2.5 交互界面目标重要程度分析方法 |
| 2.6 VR情境下的三维空间交互方式 |
| 2.7 影响交互界面操作绩效的主要因素 |
| 2.7.1 三维交互界面中的维度 |
| 2.7.2 交互任务的复杂度 |
| 2.7.3 用户的知识结构 |
| 2.8 交互界面中的信息处理模型 |
| 2.8.1 信息论(Information theory) |
| 2.9 本章小结 |
| 第3章 隧道救援VR系统的二维交互界面优化方法 |
| 3.1 视觉注意的影响因素分析 |
| 3.1.1 元件的色彩因素 |
| 3.1.2 元件的距离因素 |
| 3.1.3 元件的视觉范围因素 |
| 3.2 基于视觉注意的决策界面目标函数构建 |
| 3.3 决策界面模块化及功能性分组处理 |
| 3.4 视觉等级区域分析 |
| 3.5 决策元件权重值得计算 |
| 3.5.1 决策元件重要度计算 |
| 3.5.2 决策元件的影响因素的计算 |
| 3.6 求解算法 |
| 3.7 本章小结 |
| 第4章 隧道救援VR系统的三维交互场景布局优化方法 |
| 4.1 基于Fitts定律的救援设备交互场景布局优化 |
| 4.2 虚拟情景下选取三维物体的交互预测模型 |
| 4.2.1 原始的Fitts模型 |
| 4.2.2 二维目标的高度与宽度Fitts模型 |
| 4.2.3 通过L2 范数构建三维目标Fitts模型 |
| 4.2.4 三维空间中的接近角 |
| 4.2.5 虚拟情景中的三维目标模型 |
| 4.3 虚拟情景下三维物体目标选取实验 |
| 4.3.1 实验目的 |
| 4.3.2 实验设备 |
| 4.3.3 实验环境 |
| 4.3.4 实验主题 |
| 4.3.5 实验设计 |
| 4.3.6 实验参数 |
| 4.3.7 实验结果 |
| 4.3.8 三维目标深度与时间 |
| 4.3.9 试验中错误率 |
| 4.3.10 预测模型的检验 |
| 4.4 选取三维目标交互模型的改进 |
| 4.4.1 目标的虚拟宽度与高度 |
| 4.4.2 三维目标深度对移动幅度的影响 |
| 4.4.3 三维目标深度透视对时间的影响 |
| 4.4.4 改进后的三维目标模型 |
| 4.5 本章小结 |
| 第5章 隧道救援VR系统交互界面的优化与检验 |
| 5.1 隧道救援VR系统的决策界面的应用 |
| 5.1.1 决策界面模块化及功能性分组 |
| 5.1.2 视觉等级区域分析 |
| 5.1.3 决策元件尺寸参数 |
| 5.1.4 确定界面决策元件权重值 |
| 5.1.5 决策元件的关联性 |
| 5.1.6 决策元件Lab色彩参数 |
| 5.1.7 求解算法 |
| 5.1.8 优化后决策界面的目标元件坐标 |
| 5.2 隧道救援VR系统设备选择场景的应用 |
| 5.2.1 救援设备的模块化处理 |
| 5.2.2 给定备选的救援设备停放位置方案 |
| 5.2.3 备选方案的交互时间预测模型 |
| 5.2.4 救援设备场景备选方案的操作绩效计算 |
| 5.2.5 停放位置方案的筛选 |
| 5.3 验证与分析 |
| 5.3.1 优化后救援决策界面的验证 |
| 5.3.2 优化后的救援设备场景验证 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 讨论与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 1 在学期间发表的学术论文与研究成果 |
| 2 实验数据 |
（7）基于面部识别的人体运动追踪系统研究（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 本文主要工作 |
| 1.2.1 人脸识别 |
| 1.2.2 运动物体追踪 |
| 1.3 研究思路以及论文结构 |
| 参考文献 |
| 第2章 人脸识别研究现状 |
| 2.1 人脸识别问题历史发展 |
| 2.2 基于深度神经网络的的人脸识别系统 |
| 2.2.1 Face++ |
| 2.2.2 SeetaFace |
| 2.2.3 CNN-3DMM |
| 2.3 开源的人脸识别库SeetaFace |
| 2.3.1 人脸检测模块 |
| 2.3.2 面部特征点定位模块 |
| 2.3.3 人脸特征提取与比对模块 |
| 参考文献 |
| 第3章 运动物体追踪算法 |
| 3.1 追踪问题介绍 |
| 3.2 典型的物体追踪算法 |
| 3.2.1 模板匹配 |
| 3.2.2 二帧差分法 |
| 3.2.3 CamShift算法 |
| 3.2.4 Kalman追踪算法 |
| 3.2.5 粒子滤波算法 |
| 参考文献 |
| 第4章 追踪算法的优化 |
| 4.1 引言 |
| 4.2 基于人脸识别的目标人物追踪区域选择 |
| 4.3 Kalman滤波器的预测作用 |
| 4.4 帧间差分算法的融合 |
| 4.4.1 三帧差分法 |
| 4.4.2 二帧差分与三帧差分对比 |
| 4.4.3 帧间差分解决相似颜色干扰 |
| 4.5 基于方向预测的CamShift算法(RCA—DR) |
| 参考文献 |
| 第5章 基于面部识别的人体运动追踪系统的实现 |
| 5.1 实验系统介绍 |
| 5.2 实验设计 |
| 5.2.1 试验场景设计 |
| 5.3 实验结果与数据 |
| 5.4 追踪效果对比 |
| 5.4.1 简单户外场景 |
| 5.4.2 复杂室内场景 |
| 第6章 结论与展望 |
| 致谢 |
（8）基于医学图像的动脉硬化疾病识别（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 冠状动脉疾病的检测技术 |
| 1.2.1 超声成像 |
| 1.2.2 电子计算机断层扫描成像 |
| 1.3 研究内容和目的 |
| 1.4 课题来源和论文组织结构 |
| 第二章 国内外研究现状 |
| 2.1 IVUS图像血管提取 |
| 2.2 CTA图像血管分割与三维重建 |
| 2.3 颈动脉超声图像血管壁运动追踪 |
| 第三章 基于IVUS图像的血管边界检测 |
| 3.1 算法 |
| 3.1.1 识别高密度钙化斑块 |
| 3.1.2 提取血管中外膜边界 |
| 3.1.3 提取血管管腔边界 |
| 3.1.4 图像后处理 |
| 3.2 实验及结果 |
| 3.3 本章小结 |
| 第四章 基于CTA图像的血管分割及三维重建 |
| 4.1 算法 |
| 4.1.1 主动脉检测 |
| 4.1.2 冠状动脉根部检测 |
| 4.1.3 血管树分割 |
| 4.2 实验及结果 |
| 4.3 本章小结 |
| 第五章 基于颈动脉超声图像的血管壁运动追踪 |
| 5.1 算法 |
| 5.1.1 运动追踪 |
| 5.1.2 参数确定 |
| 5.1.3 误差函数的设计 |
| 5.2 实验及结果 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来研究方向 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于视频的人体异常行为检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 关键技术的研究现状 |
| 1.2.1 视觉分析目前的研究现状 |
| 1.2.2 场景描述与理解在图像理解中的作用 |
| 1.2.3 此文的研究的内容、算法以及初步的结果 |
| 1.2.4 论文章节安排 |
| 第二章 图像分割技术简介 |
| 2.1 图像与视频分割概述 |
| 2.2 几种经典图像分割方法 |
| 2.2.1 基于边缘的分割 |
| 2.2.2 基于阈值方式的分割 |
| 2.2.3 基于区域的分割 |
| 2.3 基于形态学分水岭的分割 |
| 2.3.1 形态学图像处理的概念和操作 |
| 2.3.2 使用分水岭算法的分割简介 |
| 2.4 小结 |
| 第三章 动态物体的检测与追踪 |
| 3.1 概述 |
| 3.2 基于背景差分的目标检测 |
| 3.2.1 背景建模概述 |
| 3.2.2 单高斯背景建模 |
| 3.2.3 高斯混合背景建模 |
| 3.2.4 引入二型模糊的高斯混合背景建模 |
| 3.3 对于检测出来的结果进行的操作 |
| 3.4 活动物体目标的追踪 |
| 3.4.1 卡曼预先估测和全局化的特征点的配对追踪 |
| 3.4.2 基于Mean Shift的目标跟踪 |
| 3.4.3 改进的Mean Shift跟踪方法 |
| 第四章 利用模糊聚类的方法对运动目标进行行为检测识别 |
| 4.1 系统介绍 |
| 4.2 核心技术原理 |
| 4.2.1 图像特征的提取和识别 |
| 4.2.2 模式相似性测量 |
| 4.2.3 模糊理论基本概念 |
| 4.3 系统结构与流程 |
| 4.3.1 系统总体结构 |
| 4.3.2 图像标识及特征提取算法流程 |
| 4.3.3 计算模糊距离算法流程 |
| 4.3.4 模糊聚类算法流程 |
| 4.3.5 模糊聚类算法编程实现的结果 |
| 第五章 结论和展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）实用步态数据库的建立和步态特征提取与表征方法（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 论文研究关键技术 |
| 1.3 关键技术的研究现状 |
| 1.3.1 步态数据库 |
| 1.3.2 人体与背景分离方法 |
| 1.3.3 步态特征提取与表示方法 |
| 1.3.4 步态特征比对方法 |
| 1.3.5 步态识别评价标准 |
| 1.4 论文研究的主要内容 |
| 第二章 建立多信息步态数据库 |
| 2.1 目前所用步态数据库存在的问题 |
| 2.2 建立多信息步态数据库 |
| 2.2.1 原始步态数据库的建立方法 |
| 2.2.2 多信息原始步态数据库的数据结构 |
| 2.3 专用步态特征数据库的建立方法 |
| 2.3.1 消除背景,得到人体区域图 |
| 2.3.2 提取特征帧 |
| 2.3.3 将人体区域二值图象转换为人体轮廓线二值图象 |
| 2.3.4 对图象标准化 |
| 2.3.5 提取步态特征 |
| 2.4 待识别人的步态信息的获取方法 |
| 2.5 本章小结 |
| 第三章 结构化步态特征表征和步态识别方法 |
| 3.1 结构化步态特征 |
| 3.1.1 结构化步态特征形式化语言定义 |
| 3.1.2 步态数据库中结构化步态特征的获取与存储 |
| 3.1.3 待识别人结构化步态特征的获取 |
| 3.2 以弱周期性时空能量图表示步态信息 |
| 3.2.1 弱周期性 |
| 3.2.2 弱周期性步态序列的时空能量图构成 |
| 3.2.3 STE对噪声干扰不敏感 |
| 3.3 步态识别算法描述 |
| 3.4 实验及分析 |
| 3.4.1 结构化步态特征与单信息步态特征进行身份识别对比实验 |
| 3.4.2 结构化步态特征与其他单信息步态特征身份识别对比实验 |
| 3.4.3 弱周期性实验一：起始帧不同对步态识别效果的影响 |
| 3.4.4 弱周期性实验二：步态周期分析方法对步态识别性能的影响 |
| 3.5 本章小结 |
| 第四章 基于小波变换与互信息熵的仿生步态识别算法 |
| 4.1 步态序列STE的二维离散小波变换多分辨率分析 |
| 4.1.1 STE图象二维离散小波变换 |
| 4.1.2 STE图象进行小波变换后的“显微”和“极化”效果 |
| 4.1.3 步态运动能量分布在频域的全局特征与局部特征 |
| 4.2 以STE小波变换子图组合表征步态信息 |
| 4.2.1 组合步态特征表示 |
| 4.2.2 用互信息熵来度量步态特征与原步态序列的关联性 |
| 4.2.3 步态特征中四个小波子图权值的选择 |
| 4.3 基于小波变换与互信息熵的仿生步态识别算法 |
| 4.3.1 算法的核心思想及流程图 |
| 4.3.2 算法识别效果实验及分析 |
| 4.3.3 与其他算法识别效果比较实验及分析 |
| 4.3.4 小波变换子图能量分析与权值系数的关系实验 |
| 4.4 本章小结 |
| 第五章 结束语 |
| 致谢 |
| 附录A 步态数据库中110人的步态特征小波子图系数 |
| 参考文献 |
| 发表文章目录 |
四、基于图象的人体运动追踪系统研究（论文参考文献）
- [1]污染修复场地中基于视频的目标运动轨迹检测方法[D]. 曹珍珍. 天津理工大学, 2021(08)
- [2]视频监控中运动人体的检测与追踪技术研究[D]. 李雯雯. 河南工业大学, 2019(02)
- [3]基于热释电红外传感器的人体追踪电机控制的应用[J]. 李振兴,谭洪,李开成,叶诗韵,贾长杰. 电测与仪表, 2017(10)
- [4]视觉跟踪算法的研究及其在生物运动分析中的应用[D]. 吴向平. 浙江大学, 2007(01)
- [5]基于图象的人体运动追踪系统研究[J]. 雷小永,戴树岭,孙耀辉. 系统仿真学报, 2001(S2)
- [6]隧道救援VR系统交互界面布局优化方法与应用[D]. 金昱潼. 贵州大学, 2020(04)
- [7]基于面部识别的人体运动追踪系统研究[D]. 赵瑞杰. 河南大学, 2018(01)
- [8]基于医学图像的动脉硬化疾病识别[D]. 高智凡. 中国科学院大学(中国科学院深圳先进技术研究院), 2017(09)
- [9]基于视频的人体异常行为检测[D]. 周亚奇. 西安电子科技大学, 2014(03)
- [10]实用步态数据库的建立和步态特征提取与表征方法[D]. 韦素媛. 西安电子科技大学, 2013(05)