导读:本文包含了多尺度相关论文开题报告文献综述及选题提纲参考文献，主要关键词:小波包,多尺度分析,行波相关,故障测距
多尺度相关论文文献综述
赵肖雪,辛正祥,宋吉江,陈平[1]（2019）在《基于小波包多尺度分析的多时间窗行波相关法》一文中研究指出为解决行波相关法中时间窗宽度不固定影响故障测距可靠性的问题,提出了一种基于小波包多尺度分析的多时间窗行波相关法。首先,利用最大相关系数选取最优小波基,使得小波包滤波效果达到最佳;其次,以最优小波基为基底将故障信号进行小波包的多尺度分解和重构,由于小波包自身的变换特性,重构后的正反向行波初始波头的宽度随着尺度的增大逐渐变宽,将初始行波波头宽度作为行波相关法的时间窗宽度,此时行波相关法成为一个多时间窗的相关算法;最后,将经包络线处理的单极性正反向行波进行相关算法故障测距。多次仿真分析表明,所提方法消除了时间窗不固定对测距结果的影响,且在不同的故障距离和过渡电阻下均适用。(本文来源于《水电能源科学》期刊2019年09期）
林哲,蔡恬,王燕锋[2]（2019）在《数字图像相关的多尺度图像子区匹配算法》一文中研究指出数字图像相关(DIC)是一种测量固体表面位移和应变的非接触式光学实验方法,其关键步骤是基于图像子区的图像匹配算法,但是图像子区的选择仍然是一个难题,过大或过小的图像子区都会对测量精度不利,为此,本文提出一种基于多尺度图像子区匹配的算法,利用权重函数族调整图像子区内各个像素点对图像子区相关性的贡献,使图像子区的边界完全变得模糊,实现动态调整图像子区大小,更加合适大形变或不连续形变的表面.实验结果表明,本文方法能够得到令人满意的测量效果,模拟实验中测量位移的相对误差仅为1.6%和2.8%;真实实验进一步验证了本文方法在材料表面发生不连续形变时能够有效监测到位移和应变的变化.(本文来源于《汕头大学学报(自然科学版)》期刊2019年03期）
袁越[3]（2019）在《结合相关滤波与深度网络的多尺度目标跟踪》一文中研究指出目标跟踪是计算机视觉领域中一个重要的研究内容,其任务是在给定目标初始位置后,在后续的视频序列中给出目标位置,获取目标运动轨迹。随着深度学习技术的迅速发展,目标跟踪领域也取得巨大进步,结合相关滤波与深度学习的目标跟踪算法引起了广泛关注。然而在复杂情况下,尤其是在目标遮挡、尺度变化和运动模糊的情况下跟踪目标,对目标跟踪算法来说依旧是一个挑战。本文针对上述问题,结合相关滤波与深度学习的目标跟踪算法,从遮挡判断,特征的选取以及跟踪尺度变化等方面进行研究,主要工作如下:(1)提出一种具有遮挡检测的尺度自适应目标跟踪算法。传统的卷积神经网络不具备残差结构,其深层特征缺失细节信息,难以应对光照变化、目标遮挡等挑战。同时,相关滤波算法在目标被遮挡时,利用背景进行更新,降低了算法判别能力。因此,本文算法首先使用残差网络提取鲁棒性更强的目标特征,将不同层次特征得到的响应图采用AdaBoot算法加权融合,提升跟踪精度;然后,提出基于遮挡判断的更新策略,在判断目标被遮挡时不进行更新操作,提高算法在遮挡情况下的鲁棒性。最后,算法使用尺度滤波器对目标尺度变化进行跟踪。本文算法在光照变化、目标遮挡和尺度变化等情况能够准确跟踪目标。(2)提出一种基于孪生网络的多尺度实时跟踪算法。DCFNet算法将相关滤波框架转化为神经网络中的一层嵌入到网络中,形成了端到端的框架,速度能够达到实时,但其仅使用单层网络特征,即最后输出一层特征,在保证跟踪速度的同时也限制了算法的鲁棒性和准确性。本文算法将浅层卷积层与深层卷积层,共同结合相关滤波层进行训练,并对不同特征使用不同的标签,使得网络能够提取使用鲁棒的特征;然后,将不同特征计算得到的响应图,通过计算置信度得到权重,加权融合响应图,达到对特征进行选择,提升算法对不同情况的鲁棒性;算法运用多尺度采样的方式,将多个尺度的候选区域联合成一个批次输入网络,自适应跟踪目标的尺度。本文算法在复杂场景下准确地跟踪目标,并且速度达到实时。(3)本文算法在OTB、VOT数据集上进行验证,与当前主流算法进行对比,实验结果表明,本文算法提高了在目标被遮挡、运动模糊以及尺度变化等情况下的成功率与精度,并且基于孪生网络的多尺度实时跟踪算法能够在实时的速度下运行。(本文来源于《南昌航空大学》期刊2019-06-01）
火元莲,曹鹏飞,董俊松,石明[4]（2019）在《基于融合特征的多尺度快速相关滤波跟踪算法》一文中研究指出针对复杂场景下目标遮挡和尺度变化所导致的跟踪效果不佳问题,提出一种基于融合特征的多尺度快速相关滤波跟踪算法。首先,对目标的3种特征降维融合构成特征矩阵;其次,采用主成分分析思想实时地提取显着特征,重构特征矩阵,在有效降维的同时训练位置相关滤波器;最后,利用融合特征矩阵训练尺度相关滤波器,从而准确预测目标位置和尺度。实验部分将改进算法与目前流行的相关滤波跟踪算法进行比较,结果表明,改进算法在目标遮挡和尺度变化场景下跟踪精度较高,平均跟踪速度达到52.5 frame/s。(本文来源于《计算机工程与科学》期刊2019年03期）
尹明锋,薄煜明,朱建良,吴盘龙[5]（2019）在《基于通道可靠性的多尺度背景感知相关滤波跟踪算法》一文中研究指出针对现实场景中跟踪目标的光照变化、尺度变化、遮挡等问题,提出了一种基于通道可靠性的多尺度背景感知相关滤波跟踪算法。通过提取方向梯度直方图特征、灰度特征和颜色属性特征作为目标表观模型,提高了目标跟踪方法在复杂场景中的稳健性;独立训练每个通道的背景感知相关滤波器,采用通道可靠性系数衡量每个通道响应图的置信度;根据所有通道的响应图和可靠性系数,合成多通道背景感知相关滤波跟踪器的最终响应图,对目标进行精确定位;运用尺度池方法估计目标的最优位置和尺度。实验结果表明:与现有跟踪算法相比,所提算法可以有效地处理光照变化、尺度变化、遮挡等复杂因素的干扰,取得较高的跟踪精度和成功率,其整体性能优于其他算法。(本文来源于《光学学报》期刊2019年05期）
杜婉婷,李淑杰,曹竞文,齐鲁[6]（2018）在《多尺度下的珲春市耕地质量空间自相关分析》一文中研究指出掌握不同尺度下耕地质量的空间特征,是合理利用耕地与进行耕地质量建设的基础.以珲春市为研究区,运用空间自相关分析法,以国家级耕地质量指数为空间变量,分别对市级、乡镇级和村级尺度下的耕地质量指数进行了空间自相关分析.结果表明:(1)在不同空间尺度下,耕地质量指数具有不同的空间关联度,耕地质量指数的空间集聚性受空间尺度影响从大到小依次是:自然等指数、利用等指数、经济等指数.(2)珲春市级、乡镇级、村级耕地质量指数Morans I值依次降低,叁者均呈现显着的空间正相关性.空间尺度的变化对耕地质量空间差异的影响较为显着,可为相关部门耕地分区利用与保护提供决策依据.(本文来源于《东北师大学报(自然科学版)》期刊2018年04期）
刘万军,张壮,姜文涛,张晟翀[7]（2018）在《遮挡判别下的多尺度相关滤波跟踪算法》一文中研究指出目的复杂环境下,运动目标在跟踪过程中受尺度变换以及遮挡因素的影响,跟踪准确率较低。针对这一问题,提出一种遮挡判别下的多尺度相关滤波跟踪方法。方法首先选取第1帧图像的前景区域,训练目标的位置、尺度滤波器和GMS(grid-based motion statistics)检测器。然后,通过位置滤波器估计目标位置,尺度滤波器计算目标尺度,得到初选目标区域。最后,利用相关滤波响应情况对初选目标区域进行评估,通过相关滤波响应值的峰值和峰值波动情况判断是否满足遮挡和更新条件。若遮挡,启动检测器检测目标位置,检测到目标位置后,更新目标模型;若更新,则更新位置、尺度滤波器和GMS检测器,完成跟踪。结果本文使用多尺度相关滤波方法作为算法的基本框架,对尺度变化目标跟踪具有较好的适应性。同时,利用目标模型更新机制和GMS检测器检索目标,有效地解决了遮挡情况下的目标丢失问题。在公开数据集上的测试结果表明,本文算法平均中心误差为5. 58,平均跟踪准确率为94. 2%,跟踪速度平均可达27. 5帧/s,与当前先进的跟踪算法相比,本文算法兼顾了跟踪速度和准确率,表现出更好的跟踪效果。结论本文提出一种新的遮挡判别下的多尺度相关滤波跟踪算法。实验结果表明,本文算法在不同的尺度变换及遮挡条件下能够快速准确跟踪目标,具有较好的跟踪准确率和鲁棒性。(本文来源于《中国图象图形学报》期刊2018年12期）
宋柯[8]（2018）在《基于相关滤波的多尺度视觉目标跟踪算法电路设计》一文中研究指出目标跟踪是计算机视觉的一个重要研究方向,它广泛应用于智能视频监控、智能机器人、医疗诊断、智能交通系统、国防建设等领域。现今,目标跟踪的理论研究主要在通用处理器上进行,但其在实际应用中主要用于嵌入式设备。嵌入式设备资源有限,实际应用时对算法的实时性要求较高,因而在通用处理器上可以完美运行的跟踪算法在嵌入式设备上将显得捉襟见肘。本文通过对近年来目标跟踪算法的研究,对经典主流跟踪算法DSST进行优化并应用FPGA进行算法加速,同时设计出目标跟踪系统的硬件电路。本文介绍了目标跟踪算法在复杂场景下的实际应用需求和发展历程,对不同跟踪算法进行了分析比较。同时通过对比分析算法在不同的嵌入式平台上实现的优缺点发现,FPGA具有并行处理能力强、功耗较低、体积小、开发周期短、灵活性高等特点,使用FPGA实现目标跟踪算法更加符合实际应用的需要。本文对跟踪算法DSST的原理进行了深入研究。为了降低存储资源和计算资源,针对其用33个尺度来进行尺度估计的方法,本文使用SAMF中尺度估计的方法对其进行优化,同时采用尺度估计、位置估计和模板更新并行进行的处理方式,极大地提高了计算速度。本文详细分析了优化后的DSST跟踪算法各个模块具体的硬件电路实现,将算法架构分为数据预处理模块、尺度计算模块、图像块提取模块、插值模块、HOG特征提取模块、相关滤波计算模块、位置信息和尺度信息计算模块以及目标信息更新模块共8个模块。在尺度计算模块采用7个尺度进行尺度预测,提高计算速度。在HOG特征提取模块采用灰度特征和32维HOG特征分8次进行处理,降低资源消耗。在相关滤波模块使用IP核复用技术在速度允许的范围内来节省资源。本文在目标跟踪算法的标准数据集上进行实验,对比软硬件的跟踪效果并分析跟踪性能产生差异的原因,同时对所优化跟踪算法的硬件设计的资源占用和跟踪帧频进行了详细分析。实验结果表明,与同类硬件实现相比,本文所优化设计的系统具有良好的性能表现。本文使用灰度特征和32维HOG特征进行相关滤波的计算,图像输入480640?,目标框128128?的情况下,理论帧频可达156帧/秒,本文设计的目标跟踪系统实时性鲁棒性较好。(本文来源于《哈尔滨工业大学》期刊2018-12-01）
陈智,柳培忠,骆炎民,汪鸿翔,杜永兆[9]（2018）在《自适应特征融合的多尺度相关滤波目标跟踪算法》一文中研究指出针对单一特征目标跟踪算法不能较好地适应复杂场景的变化,容易受跟踪目标的尺度变化、形变、遮挡以及背景混杂等影响导致跟踪失败的问题,提出一种自适应特征融合的相关滤波目标跟踪算法.首先根据目标的HOG和CN特征,采用上下文感知相关滤波框架得到2种特征下滤波响应值,并且进行归一化处理;然后按照响应值占比分配权重并线性加权融合,将得到融合后响应值用于确定目标位置;再引入尺度相关滤波器,用于估计目标尺度变化,增强尺度应变能力;最后通过设定的预定义阈值来判断位置和尺度滤波模型的更新,提高模型的更新质量.采用OTB Benchmark数据集进行实验,分别与基于相关滤波和基于上下文感知框架等11种目标跟踪算法进行对比,结果表明,该算法在精确度和成功率上均取得较为理想效果,其中精确度为82.5%,成功率为54.2%;而且在尺度变化、形变、快速运动、遮挡等复杂场景挑战下具有较好的鲁棒性.(本文来源于《计算机辅助设计与图形学学报》期刊2018年11期）
李远状,韩彦芳,于书盼[10]（2018）在《一种核相关滤波器的多尺度目标跟踪方法》一文中研究指出针对传统的核相关滤波器(KCF)跟踪算法无法解决目标尺度变化并导致目标丢失的问题,文中提出了一种尺度自适应核相关滤波分类器。首先利用核岭回归方法对由循环移位得到的大量目标图像样本进行训练得到核相关滤波分类器;然后建立多尺度待检测图像集,通过相关滤波器求取最大响应以得到当前目标位置与尺度信息;最后利用新目标图像为训练样本在线更新目标的尺度和外观信息。为了验证算法的有效性,在数据集中选取10组测试序列进行验证,并同时与KCF、DSST、CN等优秀算法进行对比。实验结果表明,所提算法能更好的适应尺度变化的跟踪,且跟踪精度有所提升。(本文来源于《电子科技》期刊2018年10期）
多尺度相关论文开题报告
（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：
数字图像相关(DIC)是一种测量固体表面位移和应变的非接触式光学实验方法,其关键步骤是基于图像子区的图像匹配算法,但是图像子区的选择仍然是一个难题,过大或过小的图像子区都会对测量精度不利,为此,本文提出一种基于多尺度图像子区匹配的算法,利用权重函数族调整图像子区内各个像素点对图像子区相关性的贡献,使图像子区的边界完全变得模糊,实现动态调整图像子区大小,更加合适大形变或不连续形变的表面.实验结果表明,本文方法能够得到令人满意的测量效果,模拟实验中测量位移的相对误差仅为1.6%和2.8%;真实实验进一步验证了本文方法在材料表面发生不连续形变时能够有效监测到位移和应变的变化.
（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。
多尺度相关论文参考文献
[1].赵肖雪,辛正祥,宋吉江,陈平.基于小波包多尺度分析的多时间窗行波相关法[J].水电能源科学.2019
[2].林哲,蔡恬,王燕锋.数字图像相关的多尺度图像子区匹配算法[J].汕头大学学报(自然科学版).2019
[3].袁越.结合相关滤波与深度网络的多尺度目标跟踪[D].南昌航空大学.2019
[4].火元莲,曹鹏飞,董俊松,石明.基于融合特征的多尺度快速相关滤波跟踪算法[J].计算机工程与科学.2019
[5].尹明锋,薄煜明,朱建良,吴盘龙.基于通道可靠性的多尺度背景感知相关滤波跟踪算法[J].光学学报.2019
[6].杜婉婷,李淑杰,曹竞文,齐鲁.多尺度下的珲春市耕地质量空间自相关分析[J].东北师大学报(自然科学版).2018
[7].刘万军,张壮,姜文涛,张晟翀.遮挡判别下的多尺度相关滤波跟踪算法[J].中国图象图形学报.2018
[8].宋柯.基于相关滤波的多尺度视觉目标跟踪算法电路设计[D].哈尔滨工业大学.2018
[9].陈智,柳培忠,骆炎民,汪鸿翔,杜永兆.自适应特征融合的多尺度相关滤波目标跟踪算法[J].计算机辅助设计与图形学学报.2018
[10].李远状,韩彦芳,于书盼.一种核相关滤波器的多尺度目标跟踪方法[J].电子科技.2018