目標檢測方法

1. 運動目標檢測與跟蹤 都有哪些方法

第一章介紹運動的分類、計算機視覺領域中運動分析模型、計算機視覺領域運動檢測和目標跟蹤技術研究現狀、計算機視覺領域中運動分析技術的難點等內容；第二章介紹傳統的運動檢測和目標跟蹤演算法，包括背景差分法、幀間差分法、光流場評估演算法等；第三章介紹具有周期性運動特徵的低速目標運動檢測和跟蹤演算法，並以CCD測量系統為例介紹該演算法的應用；第四章介紹高速運動目標識別和跟蹤演算法，並以激光通信十信標光捕獲和跟蹤系統為例介紹該演算法的應用；第五章介紹具有復雜背景的目標運動檢測過程中採用的光流場演算法，包括正規化相關的特性及其改進光流場評估演算法，並介紹改進光流場演算法的具體應用；第六章介紹互補投票法實現可信賴運動向量估計。

2. 視頻中的目標檢測與圖像中的目標檢測具體有什麼區別

如果說視頻檢測的目標也是找到每一幀中一些固定類別的物體，那麼跟圖片檢測幾乎一樣，畢竟圖片就是視頻的一幀。
如果視頻檢測的目標是跟蹤某一個特定物體，那麼我認為還是有一些區別的。如果只是用一種檢測的方法，比如ssd，faster rcnn，這些演算法其實是對類敏感，對類間不敏感，如果你要跟蹤某個特定的人，檢測演算法每幀會找出所有的人。
可能你要說重新針對某一特定目標訓練不就好了，這就是我現在正在做的事情了。最直接的問題就在於給你的只有這個要跟蹤的視頻，一般給出第一幀的目標信息，而檢測演算法的訓練需要大量訓練樣本，怎麼破？

3. 請寫出目標檢測過程 以YOLO-v1為例 的非極大值抑制的基本原理

摘要 非極大值抑制，簡稱為NMS演算法，英文為Non-Maximum Suppression。其思想是搜素局部最大值，抑制極大值。NMS演算法在不同應用中的具體實現不太一樣，但思想是一樣的。非極大值抑制，在計算機視覺任務中得到了廣泛的應用，例如邊緣檢測、人臉檢測、目標檢測(DPM，YOLO，SSD，Faster R-CNN)等。

4. 車輛檢測技術基於視覺目標檢測

Ø基於視覺的目標檢測一般包括圖像採集、圖像預處理、圖像特徵提取、圖像模式識別、結果傳輸等，根據具體識別對象和採用的識別方法不同，感知流程也會略有差異。

5. 學習目標檢測

無憂無慮地理網
http://dl.5156e.com/
無憂無慮語文網
www.5156e.com
12999數學站
http://sx.12999.com/
12999英語站
http://en.12999.com/
然後注冊一下就行了，很好用的

6. 採用Visual studio 2005和Opencv為平台，研究靜止背景下運動目標檢測方法

1、找個標准背景幀
2、捕獲當前幀，減背景幀
3、差即為運動目標（可能有多個）

7. 在用opencv目標檢測，已經實現高斯建模，差分法。現在想問的就是如何用矩形框標記檢測到的目標

用cvRectangle（）函數。
OpenCV裡面的繪圖函數函數功能： 通過對角線上的兩個頂點繪制簡單、指定粗細或者帶填充的矩形函數原型：void cvRectangle( CvArr* img, CvPoint pt1, CvPoint pt2, CvScalar color,int thickness=1, int line_type=8, int shift=0 );參數介紹：img -- 圖像.pt1 -- 矩形的一個頂點。pt2 -- 矩形對角線上的另一個頂點color -- 線條顏色 (RGB) 或亮度（灰度圖像 ）(grayscale image）。thickness -- 組成矩形的線條的粗細程度。取負值時（如 CV_FILLED）函數繪制填充了色彩的矩形。line_type -- 線條的類型。見cvLine的描述shift -- 坐標點的小數點位數。

8. 運動目標檢測的檢測方法

基於統計背景模型的運動目標檢測方法
問題：
（1） 背景獲取：需要在場景存在運動目標的情況下獲得背景圖像
（2） 背景擾動：背景中可以含有輕微擾動的對象，如樹枝、樹葉的搖動，擾動部分不應該被看做是前景運動目標
（3） 外界光照變化：一天中不同時間段光線、天氣等的變化對檢測結果的影響
（4） 背景中固定對象的移動：背景里的固定對象可能移動，如場景中的一輛車開走、一把椅子移走，對象移走後的區域在一段時間內可能被誤認為是運動目標，但不應該永遠被看做是前景運動目標
（5） 背景的更新：背景中固定對象的移動和外界光照條件的變化會使背景圖像發生變化，需要及時對背景模型進行更新，以適應這種變化
（6） 陰影的影響：通常前景目標的陰影也被檢測為運動目標的一部分，這樣將影響對運動目標的進一步處理和分析

9. 目前國際上最先進的運動目標檢測演算法

運動目標檢測

基於統計背景模型的運動目標檢測方法
問題： （1） 背景獲取：需要在場景存在運動目標的情況下獲得背景圖像 （2） 背景擾動：背景中可以含有輕微擾動的對象，如樹枝、樹葉的搖動，擾動部分不應該被看做是前景運動目標 （3） 外界光照變化：一天中不同時間段光線、天氣等的變化對檢測結果的影響 （4） 背景中固定對象的移動：背景里的固定對象可能移動，如場景中的一輛車開走、一把椅子移走，對象移走後的區域在一段時間內可能被誤認為是運動目標，但不應該永遠被看做是前景運動目標 （5） 背景的更新：背景中固定對象的移動和外界光照條件的變化會使背景圖像發生變化，需要及時對背景模型進行更新，以適應這種變化 （6） 陰影的影響：通常前景目標的陰影也被檢測為運動目標的一部分，這樣講影響對運動目標的進一步處理和分析 首先利用統計的方法得到背景模型，並實時地對背景模型進行更新以適應光線變化和場景本身的變化，用形態學方法和檢測連通域面積進行後處理，消除雜訊和背景擾動帶來的影響，在HSV色度空間下檢測陰影，得到准確的運動目標。
編輯本段背景模型提取
前提假設 在背景模型提取階段，運動目標在場景區域中運動，不會長時間停留在某一位置 視頻流中某一像素點只有在前景運動目標通過時，它的亮度值才發生大的變化，在一段時間內，亮度值主要集中在很小的一個區域中，可以用這個區域內的平均值作為該點的背景值。具體實現過程：在YUV顏色空間下，Y值的變化范圍為0~255，將該范圍劃分成若干區間[0,T][T,2T]…[Nt,255],n=255/T，對於每個像素點，統計一段時間內每個區間內亮度值的出現的次數。找出出現次數最多的那個區間，將該區間內所有值的平均值作為背景模型在該點的亮度值。這種方法不受前景運動目標的影響。
編輯本段運動目標檢測
檢測當前圖像和背景圖像中對應像素點的差異，如果差值大於一定閾值，則判定該像素為前景運動目標
編輯本段後處理
雜訊的影響，會使檢測結果中出現一些本身背景的區域像素點被檢測成運動區域，也可能是運動目標內的部分區域被漏檢。另外，背景的擾動，如樹枝、樹葉的輕微搖動，會使這部分也被誤判斷為運動目標，為了消除這些影響，首先對上一步的檢測結果用形態學的方法進行處理，在找出經過形態學處理的後的連通域，計算每個連通域中的面積，對於面積小於一定值的區域，將其拋棄，不看做是前景運動目標。[1]

10. 什麼是低空目標檢測

低空目標的中、近程探測是當前緊迫的研究課題之一.文中主要對低空、超低空的懸停直升機和巡航導彈的理論模型進行信號模擬,同時提出相應的檢測方法,並在不同信雜比條件下用MATLAB對檢測方法進行了模擬驗證,結果表明該方法是可行的.
關鍵詞：低空防禦,近程防空,懸停直升機 巡航導彈 多徑反射下低空目標檢測研究

該文 主要考慮多徑反射對目標檢測的影響及採用頻率分集技術的多脈沖M/N檢測的參數選擇(M是超過檢測閥值的脈沖個數,N是總脈沖個數).為了選取適當的M和N以保證檢測概率,必須獲得雜訊加目標乘以多徑因子後的統計分布.與其他研究不同的是,該文採用了更一般的反射模型,實際推導出無起伏和瑞利起伏目標的多徑回波功率的PDF,並應用該PDF簡要計算出在多徑環境下多脈沖檢測的最佳M/N選擇與pF和pD的關系(與自由空間相比).
關鍵詞：低空目標檢測,多徑反射,頻率分集
低空復雜背景紅外小目標檢測
提出了基於復雜低空背景條件下新的圖像序列跟蹤方法.首先在全視場范圍內採用自適應濾波法搜索目標,連續幾幀檢測到目標後,進入小視場范圍內分割檢測目標進行精確跟蹤.若目標丟失,再返回全視場模式搜索目標.試驗結果表明,在背景雜訊較為強烈的情況下,該方法依然能有效地檢測跟蹤目標.由於採取了小視場跟蹤的策略,減少了計算時間,實時性較好.