毕业论文课题相关文献综述
复杂背景下目标检测算法的实现是当今目标自动探测研究尚的一个难题。目前，国内外许多学者已经作过大量的检测算法研究，但还没有建立成熟的理论体系和切实可行的实用算法，尤其是在复杂背景干扰的抑制方面，大部分研究工作所处理的还不是真正的复杂背景。文献在分析和总结国内外现有算法研究的基础上，指出了复杂背景下目标检测算法的发展趋势，并提出了检测跟踪的一些有效技术措施。
一、选题相关概念与意义
如今动态目标的跟踪是现行视觉处理中的一个热点和难点，其广泛的应用前景和视觉效果的重要意义使其成为图像处理领域的重要课题；同时视觉环境的多样性和复杂性则是稳定有效地完成跟踪任务的难点。采用MeanShift算法并结合Kalman滤波器，能够稳健实时地实现目标跟踪。从简单背景、低速运动到复杂背景、高速运动，视觉处理领域的跟踪算法非常之多。基于核密度估计的MeanShift匹配算法，以图像直方图分布作为匹配跟踪的依据，对目标的外形和尺寸不敏感，具有快速、稳定、有效的优点。文中以MeanShift为核心算法，实现复杂背景下的目标跟踪，并利用Kalman滤波器完成目标位置的预测及目标模板的及时更新，提高了算法的稳健性。由于MeanShift算法需要对图像进行穷举匹配，并且难以跟踪快速运动的目标。而利用Kalman滤波器可以对目标的状态进行有效预测，减少匹配运算次数。因此以Kalman预测结果作为MeanShift匹配算法的起始点，经过若干次匹配便可得到目标的精确位置，且快速运动目标的跟踪效果也得到改善。即使在目标被完全遮挡的情况下，以预测结果作为目标位置等待目标的再次出现。在一定的匹配准则下，建立自适应Kalman滤波器组对目标模板进行及时更新，避免了由于跟踪环境的改变带来的跟踪任务的失败。利用LabVIEW软件编程环境实现MeanShift与Kalman滤波器结合的跟踪算法，在多次实验调试下，很好地完成了复杂背景下的目标跟踪任务，得到了很好的实验效果，并给出了跟踪效果图和算法分析。【8】
复杂背景下的运动目标检测和跟踪由于其良好的应用前景，成为当前研究的一个热点。文中结合一个基于视频图像的智能野外监控系统的开发过程，提出了一种野外背景下运动目标的检测方法。运动目标检测的研究对象是视频序列图像，文中首先介绍了运动物体的视觉检测原理以及序列图像分析的一般方法。由于要监视的目标区域离摄像头比较远，并且野外环境的干扰比较大，采集的序列图像有一定的抖动和位移。因此本文研究了序列图像之间特征点的对应方法，在对图像序列的处理过程中，若图像的背景漂移较大，则应进行校正配准。文中提出了一个序列图像中运动目标的检测算法。首先，分析序列图像的差图像，可以消除图像中的背景，突出其中的运动目标；以此为基础，文中对现场采集的图像序列分两阶段进行差分，然后分别将结果二值化，结合形态学的方法消除干扰和背景中周期性的运动；最后分割出目标的运动区域，从而获得目标的运动轨迹和位置。最后本文讨论了一个基于视频图像的智能野外监控系统。讲述了系统的硬件结构、摄像机的控制、现场图像序列的采集以及系统的功能等。【6】
随着计算机和数字图像处理技术的飞速发展，运动目标检测技术的研究受到越来越多科研工作者的关注，与其相关的技术理论也日新月异。其研究成果已涉及到军事、政治和经济等与我们密切相关的社会生活各个部门，具有潜在的经济价值和广泛的应用前景。因此，对运动目标检测技术的研究具有十分重要的意义[9]。
二、课题动静态的算法
静态背景
静态背景下的运动目标检测方法主要有以下几种：
（1）背景差分法
背景差分法是目前最常用的一种目标检测方法，其基本思想就是首先获得一个背景型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断此像素属于运动目标，否则属于背景图像。利用当前图像与背景图像的差分来检测运动区域，一般能够提供比较完整的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。很多研究人员目前都致力于开发不同的背景模型，以减少动态场景变化对运动目标检测的影响。背景模型的建立与更新、阴影的去除等对跟踪结果的好坏至关重要。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
