关于三维图像目标识别文献综述
关于三维目标识别的文献综述
前言：
随着计算机技术和现代信息处理技术的快速发展，目标识别已经迅速发展成为一种重要的工具与手段，目标识别是指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。它既包括两个非常相似目标的识别，也包括一种类型的目标同其他类型目标的识别。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。它属于模式识别的范畴，也可以狭义的理解为图像识别。三维目标识别是以物体表面朝向的三维信息来识别完整的三维物体模型目标识别需要综合运用计算机科学、模式识别、机器视觉以及图像理解等学科知识。目标识别技术已广泛应用于国民经济、空间技术和国防等领域。
正文：
图像识别总的来说主要包括目标图像特征提取和分类两个方面。但是一般情况下，图像受各种因素影响，与真实物体有较大的差别，这样，就需要经过预处理、图像分割、特征提取、分析、匹配识别等一系列过程才能完成整个识别过程。
目前，最主流的三种三维物体识别研究思路是：
1)基于模型或几何的方法；
2)基于外观或视图的方法；
3)基于局部特征匹配的方法；
一、基于模型或几何的方法：
这种方法所识别的目标是已知的，原理就是利用传感器获得真实目标的三维信息并对信息进行分析处理，得到一种表面、边界及连接关系的描述，这里，三维物体识别中有两类最经常使用的传感器：灰度传感器和深度传感器，前者获取图像的每个像素点对应于一个亮度测量，而后者对应于从传感器到可视物体表面的距离；另一方面，利用CAD建立目标的几何模型，对模型的表面、边界及连接关系进行完整的描述。然后把这两种描述加以匹配就可以来识别三维物体。其流程如下图所示：
传感器数据获取过程，就是从现实生活中的真实物体中产生待识别的模型。分析/建模过程，是对传感器数据进行处理，从中提取与目标有关的独立应用特征。模型库的建立一般式在识别过程之前，即首先根据物体的某些特定特征建立一些关系以及将这些信息汇总成一个库。在模型匹配过程，系统通过从图像中抽取出的物体关系属性图，把物体描述与模型描述通过某种匹配算法进行比较、分析，最终得到与物体最相似的一种描述，从而确定物体的类型和空间位置。
基于模型的三维物体识别，需要着重解决以下4个问题：
1)模型产生：主要有CAD设计法（用以产生模型库）和传感器产生法（用以产生目标）；
2)目标描述：有基于不变性特征法、表面模型法等；
3)模型描述：一般和目标描述方法相似；
4)模型匹配：可用距离法、最小二乘匹配法及树匹配等。
基于模型的方法进行三维物体识别，优点是比较直观和易于理解，但是一般使用的算法的运算量都较大，并且需要人工借助CAD 等软件产生模型。另外，对复杂物体建立三维几何模型的难度和工作量比较大，在应用中还非常不方便，因此怎样在这个基础上加以改善是一个值得探讨的问题。
二、基于视图的方法
二维图像一般情况下通过普通相机就可以获取，在一幅二维图像中，三维物体的外观取决于形状、反射特性、姿态和环境亮度等。基于外观或基于视图的三维物体识别算法研究，近来成为人们的研究热点。即使最简单的物体，其不同视点的二维视图差异往往会很大，而生物视觉系统对此表现出非常稳健的识别能力，它们的识别过程趋向于选择物体的二维视图，而不是物体的三维描述。基于视图的方法通过视觉相似性来识别物体，识别系统设计相对简单，无需显式地计算物体三维模型。该方法一般分为两个步骤：首先，通过不同光照条件和三维物体在二维图像中呈现出的不同姿态，来自动地学习物体的表示或训练系统；然后，在一幅未知的二维图像中判断是否存在目标物。该方法一个主要的限制条件是，我们感兴趣的对象必须与背景能够较
好的区分开来，因此对物体间的重叠较为敏感，且需要较好的图像分割。但当物体的几何建模很困难或根本不可能得到时，则可利用基于视图的方法来识别三维物体。该方法的关键点和难点，是在于如何准确有效地用多个视角图像来描述一个物体。基于视图的三维物体识别算法流程，如下图所示：
三、基于局部特征匹配的方法
理论上要求识别系统具有通用性、稳健性且学习简单。传统的图像描述方法采用的是全局特征，旨在将目标作为一个整体，从大量包含目标的图片集中学习并抽取全局特征，如面积、周长、不变矩等，并采用统计分类技术进行目标分类。这种识别方法有以下缺陷：（1）对于结构复杂的图像，识别效果受到图像分割精度的制约；（2）需要学习大量的数据以及较长的训练时间；（3）由于没有捕捉到图像中的局部信息，当目标的形状发生较大变化时，比如目标被局部挡住，就会导致全局特征的突然变化，对于目标识别是非常不利的。前面提到的基于模型的方法和基于视图的方法，在这些方面有所缺陷。最近，基于局部区域特征匹配的算法，在物体识别领域里取得了相当好的效果。
局部特征目前还没有一个统一的定义，它的提出主要是相对全局特征而言，用局部特征对图像进行描述时可以得到图像中物体的局部信息。在复杂背景下，噪声干扰较大、局部遮挡、目标姿态发生变化的情况下，利用局部信息进行目标识别是非常有效的。如同基于视图的方法，该方法从物体的图像中学习并构造物体的模型，同时提取局部图像块的特征用于匹配。该方法通过对视角改变而局部不变的过程，来检测得到视图中三维物体的局部区域，然后通过从局部测量计算得到的不变量描述的区域集合来表示物体。局部特征可以从几何角度粗略的分为点、线、面3种类型：
1、基于点特征的目标识别技术：
角点是图像的一个重要的局部特征，它具有旋转不变性，几乎不受光照条件的影响。角点可以是图像中具有周围灰度变化剧烈特征的点，也可以是图像边界上具有曲率足够高的点，还可以是图像中具有最大偏转角和偏差的点、灰度梯度方向变化较大的地方等。角点在图像匹配中有广泛应用。常见的特征描述方法是：将形心到相邻两角点的直线所成的夹角作为识别的特征，这组特征对于比例、平移和旋转都是不变的。但是由于角点的检测容易出现漏检和虚假角点等，在利用角点作为不变量对目标进行识别时，可以考虑与其他特征结合起来进行识别。
2、基于线特征的目标识别技术
提取图像中的特征线如直线、曲线、各种轮廓线等，可以使图像的表述更简洁，而曲线可以用直线加以近似，进而形成封闭的轮廓。常用
的直线提取方法有Hough变换、启发式连接算法、层次记号编组法和相位编组法等。Hough变换提取直线准确且稳定，抗噪声能力强，不会产生直线断裂等情况，但是计算量很大且由于不考虑各点之间的距离信息，因此，容易将不属于直线上的点也连接到该直线上，即容易出现过连接现象。启发式连接算法提取直线克服了Hough 变换的缺陷，但对边缘检测结果敏感，容易产生直线断裂的情况。层次记号编组法提取直线速度快，能连接短直线，然而存在参数难以选择、分辨率低的问题。而相位编组法采用了另一种思路，相位编组法是根据各像素点的梯度相位进行分组，相邻的梯度方向相同的点形成边缘支持区域，再从每个区域提取直线段。这种方法在提取低对比度直线时效果很好，但是抗噪能力较差，提取的直线往往存在断裂。下面有一种基于直线特征目标识别算法：
首先，创建一个图像中的线条的近邻搜索结构；
使用范围搜索，识别出在每个模型和图像中的每个角落；
对于每个模型做这样的处理：
H=?初始化假设列表为空；
对每个模型线和图像线组成的线对（l,l1），令：C=线对（l,l1）以及邻近角落产生的状态假设；
H=H∪C；
对C中的相邻的模型及图像的相似性进行比较；
结束；
P=将H按邻域内的相似性进行分类得出的结果；
对每一个P（i）（i=1,2，…n）,和已知模型的特征加以比较；
如果发现足够的相似线对，那么一个图像就能够被识别出来；
结束。
3、基于面特征的目标识别技术
面特征从严格意义上已不属于传统的几何形状特征了，一般称为局部纹理特征或者局部外观特征。这类特征不受图像分割精度的影响。局部外观特征是通过对兴趣区域进行计算得到的，这就是说首先要提取兴趣区域，然后选择合适的区域描绘子进行描述。一般区域检测算子得到的兴趣区域是椭圆区域，它们在仿射像变换中具有不变性。常用的兴趣区域有Harris-Laplace 区域、DoG 区域、Hessian-Laplace 区域、凸显区域、极大稳定极值区域等。
基于局部特征匹配的目标识别方法的优点是，因为视角改变引起的物体外观的形变，全局看来尽管非常复杂，但在局部的尺度上可通过简单的变化来估计；同时因为无需所有的局部特征得到匹配，这种方法在物体有重叠和复杂背景情况下都有较好的稳健性。因为建立了区域间的相似性，物体识别也做到了局部化。在基于局部特征匹配这一大类方法中，各种算法的区别在于，局部图像区域的选择和基于这些区域的特征计算。
结论：
三维目标识别是一门比较新的科学，它可以从已经比较成熟的二维图像识别中过渡一些基本处理方法，但是三维图像以及物体所涵盖的信息量远远大于二维图像，因此，对于三维目标识别的研究陆续的
出现了各种各样的方法。总的来说，三维目标识别是一个比较复杂的但是值得研究的课题。对生活等许多领域将会产生很大影响。
参考文献：
1、
2、徐胜.彭启琮.三维物体识别研究[期刊论文]-计算机工程与应用2008(31)
3、陶曼.深度图像的分割与压缩[学位论文]硕士2006
4、曹健.基于局部特征的目标识别方法[学位论文]博士2009
5、林应强.基于模型的三维物体识别[学位论文]硕士1997
6、樊亚军.利用神经网络实现三维飞机目标识别[学位论文]硕士2005
7、胡薇.基于特征空间的3D目标识别方法研究[学位论文]硕士2004
8、三维目标识别原理及关键技术[学位论文]硕士2001
9、基于不变矩和SVM分类的三维目标识别方法[学位论文]硕士2011
10、基于多视点不变量的三维物体识别[学位论文]硕士2000
11、David P, de Menthon D. Object Recognition in High Clutter ImagesUsing Line Features[C]//Proceedings of ICCV’05. Beijing, China:[s. n.], 2005: 1581-1588.
关于三维图像目标识别文献综述
关于三维目标识别的文献综述 前言： 随着计算机技术和现代信息处理技术的快速发展，目标识别已经迅速发展成为一种重要的工具与手段，目标识别是指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。它既包括两个非常相似目标的识别，也包括一种类型的目标同其他类型目标的识别。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。它属于模式识别的范畴，也可以狭义的理解为图像识别。三维目标识别是以物体表面朝向的三维信息来识别完整的三维物体模型目标识别需要综合运用计算机科学、模式识别、机器视觉以及图像理解等学科知识。目标识别技术已广泛应用于国民经济、空间技术和国防等领域。 正文： 图像识别总的来说主要包括目标图像特征提取和分类两个方面。但是一般情况下，图像受各种因素影响，与真实物体有较大的差别，这样，就需要经过预处理、图像分割、特征提取、分析、匹配识别等一系列过程才能完成整个识别过程。 目前，最主流的三种三维物体识别研究思路是： 1)基于模型或几何的方法；
2)基于外观或视图的方法； 3)基于局部特征匹配的方法； 一、基于模型或几何的方法： 这种方法所识别的目标是已知的，原理就是利用传感器获得真实目标的三维信息并对信息进行分析处理，得到一种表面、边界及连接关系的描述，这里，三维物体识别中有两类最经常使用的传感器：灰度传感器和深度传感器，前者获取图像的每个像素点对应于一个亮度测量，而后者对应于从传感器到可视物体表面的距离；另一方面，利用CAD建立目标的几何模型，对模型的表面、边界及连接关系进行完整的描述。然后把这两种描述加以匹配就可以来识别三维物体。其流程如下图所示： 传感器数据获取过程，就是从现实生活中的真实物体中产生待识别的模型。分析/建模过程，是对传感器数据进行处理，从中提取与目标有关的独立应用特征。模型库的建立一般式在识别过程之前，即首先根据物体的某些特定特征建立一些关系以及将这些信息汇总成一个库。在模型匹配过程，系统通过从图像中抽取出的物体关系属性图，把物体描述与模型描述通过某种匹配算法进行比较、分析，最终得到与物体最相似的一种描述，从而确定物体的类型和空间位置。 基于模型的三维物体识别，需要着重解决以下4个问题：
目标追踪综述
01目标跟踪简介 目标跟踪是计算机视觉领域的一个重要问题，目前广泛应用在体育赛事转播、安防监控和无人机、无人车、机器人等领域。下面是一些应用的例子。 02目标跟踪任务分类 了解了目标跟踪的用途，我们接下来看目标跟踪有哪些研究领域呢？目标跟踪可以分为以下几种任务： ?单目标跟踪- 给定一个目标，追踪这个目标的位置。 ?多目标跟踪- 追踪多个目标的位置 ?Person Re-ID- 行人重识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合。 ?MTMCT - 多目标多摄像头跟踪（Multi-target Multi-camera Tracking），跟踪多个摄像头拍摄的多个人 ?姿态跟踪- 追踪人的姿态 按照任务计算类型又可以分为以下2类。 ?在线跟踪- 在线跟踪需要实时处理任务，通过过去和现在帧来跟踪未来帧中物体的位置。 ?离线跟踪- 离线跟踪是离线处理任务，可以通过过去、现在和未来的帧来推断物体的位置，因此准确率会在线跟踪高。 03目标跟踪的困难点 虽然目标追踪的应用前景非常广泛，但还是有一些问题限制了它的应用，我们看下有哪些问题呢？ ?形态变化- 姿态变化是目标跟踪中常见的干扰问题。运动目标发生姿态变化时, 会导致它的特征以及外观模型发生改变, 容易导致跟踪失败。例如:体育比赛中的运动员、马路上的行人。 ?尺度变化- 尺度的自适应也是目标跟踪中的关键问题。当目标尺度缩小时, 由于跟踪框不能自适应跟踪, 会将很多背景信息包含在内, 导致目标模型的更新错误:当目标尺度增大时, 由于跟踪框不能将目标完全包括在内, 跟踪框内目标信息不全, 也会导致目标模型的更新错误。因此, 实现尺度自适应跟踪是十分必要的。 ?遮挡与消失- 目标在运动过程中可能出现被遮挡或者短暂的消失情况。当这种情况发生时, 跟踪框容易将遮挡物以及背景信息包含在跟踪框内, 会导致后续帧中的跟踪目标漂移到遮挡物上面。若目标被完全遮挡时, 由于找不到目标的对应模型, 会导致跟踪失败。 ?图像模糊- 光照强度变化, 目标快速运动, 低分辨率等情况会导致图像模型, 尤其是在运动目标与背景相似的情况下更为明显。因此, 选择有效的特征对目标和背景进行区分非常必要。 下图是上述问题的一些实例。
大数据文献综述
信息资源管理文献综述 题目：大数据背景下的信息资源管理 系别：信息与工程学院 班级：2015级信本1班 姓名： 学号：1506101015 任课教师： 2017年6月 大数据背景下的信息资源管理 摘要：随着网络信息化时代的日益普遍，我们正处在一个数据爆炸性增长的“大数据”时代，在我们的各个方面都产生了深远的影响。大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力就是大数据技术，这也是一个企业所需要必备的技术。“大数据”一词越来越地别提及与使用，我们用它来描述和定义信息爆炸时代产生的海量数据。就拿百度地图来说，我们在享受它带来的便利的同时，无偿的贡献了我们的“行踪”，比如说我们的上班地点，我们的家庭住址，甚至是我们的出行方式他们也可以知道，但我们不得不接受这个现实，我们每个人在互联网进入大数据时代，都将是透明性的存在。各种数据都在迅速膨胀并变大，所以我们需要对这些数据进行有效的管理并加以合理的运用。
关键词：大数据信息资源管理与利用 目录 大数据概念.......................................................... 大数据定义...................................................... 大数据来源...................................................... 传统数据库和大数据的比较........................................ 大数据技术.......................................................... 大数据的存储与管理.............................................. 大数据隐私与安全................................................ 大数据在信息管理层面的应用.......................................... 大数据在宏观信息管理层面的应用.................................. 大数据在中观信息管理层面的应用.................................. 大数据在微观信息管理层面的应用.................................. 大数据背景下我国信息资源管理现状分析................................ 前言：大数据泛指大规模、超大规模的数据集，因可从中挖掘出有价值 的信息而倍受关注，但传统方法无法进行有效分析和处理.《华尔街日
目标检测综述教学内容
一、传统目标检测方法 如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。（实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域） (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。（这个阶段常用的特征有SIFT、HOG等） (3) 分类器主要有SVM, Adaboost等。 总结：传统目标检测存在的两个主要问题： 一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余； 二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。 二、基于Region Proposal的深度学习目标检测算法 对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？ 对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region
proposal（候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal算法有selective Search和edge Boxes，如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC）上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分类任务的Top-5 error降低到了15.3%，而使用传统方法的第二名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多，这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。 2014年，RBG（Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。 1. R-CNN (CVPR2014, TPAMI2015) (Region-based Convolution Networks for Accurate Object d etection and Segmentation)
目标跟踪相关研究综述
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22 Published Online August 2015 in Hans. https://www.wendangku.net/doc/c27882472.html,/journal/airr https://www.wendangku.net/doc/c27882472.html,/10.12677/airr.2015.43003 A Survey on Object Tracking Jialong Xu Aviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing Jiangsu Email: pugongying_0532@https://www.wendangku.net/doc/c27882472.html, Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015 Copyright ? 2015 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.wendangku.net/doc/c27882472.html,/licenses/by/4.0/ Abstract Object tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested. Keywords Object Tracking, Track Alignment, Object Detection 目标跟踪相关研究综述 徐佳龙 海军驻南京地区航空军事代表室，江苏南京 Email: pugongying_0532@https://www.wendangku.net/doc/c27882472.html, 收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日 摘要 目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。本文分类总结了目标跟踪的相关工作，并进行了分析和展望。
目标检测方法简要综述
龙源期刊网 https://www.wendangku.net/doc/c27882472.html, 目标检测方法简要综述 作者：栗佩康袁芳芳李航涛 来源：《科技风》2020年第18期 摘要：目标检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目标检测算法相比，基于深度学习的目标检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目标检测算法的发展历程。 关键词：目标检测;机器学习;深度神经网络 目标检测的目的可分为检测图像中感兴趣目标的位置和对感兴趣目标进行分类。目标检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目标检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。 传统的目标检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目标检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目标分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目标物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目标检测算法。 1 基于候选区域的两阶段目标检测方法 率先将深度学习引入目标检测的是Girshick[1]于2014年提出的区域卷积神经网络目标检测模型（R-CNN）。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS 回归目标位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取共享，重复计算;选择性搜索算法仍有冗余，耗费时间等。 基于R-CNN只能接受固定尺寸图像输入和无卷积特征共享，He[2]于2014年参考金字塔匹配理论在CNN中加入SPP-Net结构。该结构复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一
雷达空间目标识别技术综述
2006年10月第34卷 第5期 现代防御技术 MODERN DEFENCE TECHNOLOGY O ct.2006 V o.l34 N o.5雷达空间目标识别技术综述* 马君国,付 强,肖怀铁,朱 江 (国防科技大学ATR实验室,湖南 长沙 410073) 摘 要:随着人类航天活动的增加,对于卫星和碎片等空间目标进行监视变得非常重要。为了实现空间监视任务,对空间目标进行识别是非常必要的。对空间目标的轨道特性与动力学特性进行了介绍,对雷达空间目标识别技术的研究现状和发展趋势进行了详细的综述。 关键词:空间目标识别;低分辨雷达;高分辨雷达成像 中图分类号:TN957 52 文献标识码:A 文章编号:1009 086X(2006) 05 0090 05 Survey of radar space target recognition technology MA Jun guo,F U Q iang,X I AO Huai tie,Z HU Jiang (ATR L ab.,N ationa lU n i versity o f De fense T echno l ogy,Hunan Changsha410073,Ch i na) Abst ract:W ith t h e deve l o pm ent of spacefli g ht acti v ity of hum an,surveillance of space tar get such as sate llite and debris beco m es very i m portan.t In or der to i m p le m ent surveillance task,space target recogni ti o n is ver y necessary.Orb it property and dyna m ics property of space targe t are i n troduced,a deta iled sur vey is set forth about current research state and developi n g trend of radar space target recogn iti o n techno l ogy. K ey w ords:space tar get recogniti o n;lo w reso lution radar;h i g h reso lution radar i m aging 1 引 言 自从前苏联发射了第1颗人造地球卫星以来,卫星在预警、通信、侦察、导航定位、监视和气象等方面具有不可替代的优势。随着人类航天活动的增加,空间碎片日益增多,对于卫星等航天器的安全造成极大的威胁,因此对于卫星和碎片等空间目标进行监视变得非常重要。其中空间目标识别是空间监视任务中不可或缺的基本条件,空间目标识别主要是利用雷达等传感器获取空间目标的回波信号,从中提取目标的位置、速度、结构等特征信息,进而实现对空间目标的类型或属性进行识别。 2 空间目标的轨道特性与动力学特性 (1)轨道特性[1,2] 空间目标在轨道上的运动是无动力惯性飞行,本质上空间目标与自然天体的运动是一致的,故研究空间目标的运动可以用天体力学的方法。空间目标在运动时受到地球引力、月球引力、太阳及其他星体引力、大气阻力和太阳光辐射压力等的作用,轨道存在摄动。但是对轨道的实际分析表明,空间目标受到的主要力是地球引力。假设空间目标只是受到地球引力的作用,同时假设地球是一个质量均匀分布的球体,则空间目标与地球构成二体运动系统,开 *收稿日期:2005-12-15;修回日期:2006-01-23 作者简介:马君国(1970-),男,吉林长春人,博士生,主要从事目标识别与信号处理研究。 通信地址:410073 湖南长沙国防科技大学ATR实验室 电话:(0731)4576401
视频目标跟踪算法综述_蔡荣太
1引言 目标跟踪可分为主动跟踪和被动跟踪。视频目标跟踪属于被动跟踪。与无线电跟踪测量相比，视频目标跟踪测量具有精度高、隐蔽性好和直观性强的优点。这些优点使得视频目标跟踪测量在靶场光电测量、天文观测设备、武器控制系统、激光通信系统、交通监控、场景分析、人群分析、行人计数、步态识别、动作识别等领域得到了广泛的应用[1-2]。 根据被跟踪目标信息使用情况的不同，可将视觉跟踪算法分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。基于对比度分析的跟踪算法主要利用目标和背景的对比度差异，实现目标的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目标的定位。基于运动检测的跟踪主要根据目标运动和背景运动之间的差异实现目标的检测和跟踪。前两类方法都是对单帧图像进行处理，基于匹配的跟踪方法需要在帧与帧之间传递目标信息，对比度跟踪不需要在帧与帧之间传递目标信息。基于运动检测的跟踪需要对多帧图像进行处理。除此之外，还有一些算法不易归类到以上3类，如工程中的弹转机跟踪算法、多目标跟踪算法或其他一些综合算法。2基于对比度分析的目标跟踪算法基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。这类算法按照跟踪参考点的不同可以分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。边缘跟踪的优点是脱靶量计算简单、响应快，在某些场合（如要求跟踪目标的左上角或右下角等）有其独到之处。缺点是跟踪点易受干扰，跟踪随机误差大。重心跟踪算法计算简便，精度较高，但容易受到目标的剧烈运动或目标被遮挡的影响。重心的计算不需要清楚的轮廓，在均匀背景下可以对整个跟踪窗口进行计算，不影响测量精度。重心跟踪特别适合背景均匀、对比度小的弱小目标跟踪等一些特殊场合。图像二值化之后，按重心公式计算出的是目标图像的形心。一般来说形心与重心略有差别[1-2]。 3基于匹配的目标跟踪算法 3.1特征匹配 特征是目标可区别与其他事物的属性，具有可区分性、可靠性、独立性和稀疏性。基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的 文章编号：1002－8692（2010）12-0135-04 视频目标跟踪算法综述* 蔡荣太1，吴元昊2，王明佳2，吴庆祥1 （1.福建师范大学物理与光电信息科技学院，福建福州350108； 2.中国科学院长春光学精密机械与物理研究所，吉林长春130033） 【摘要】介绍了视频目标跟踪算法及其研究进展，包括基于对比度分析的目标跟踪算法、基于匹配的目标跟踪算法和基于运动检测的目标跟踪算法。重点分析了目标跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展。此外，还介绍了多特征跟踪、利用上下文信息的目标跟踪和多目标跟踪算法及其进展。 【关键词】目标跟踪；特征匹配；贝叶斯滤波；概率图模型；均值漂移；粒子滤波 【中图分类号】TP391.41；TN911.73【文献标识码】A Survey of Visual Object Tracking Algorithms CAI Rong-tai1,WU Yuan-hao2,WANG Ming-jia2,WU Qing-xiang1 （1.School of Physics,Optics,Electronic Science and Technology,Fujian Normal University,Fuzhou350108,China; 2.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Science,Changchun130033,China）【Abstract】The field of visual object tracking algorithms are introduced,including visual tracking based on contrast analysis,visual tracking based on feature matching and visual tracking based on moving detection.Feature matching,Bayesian filtering,probabilistic graphical models,kernel tracking and their recent developments are analyzed.The development of multiple cues based tracking,contexts based tracking and multi-target tracking are also discussed． 【Key words】visual tracking;feature matching;Bayesian filtering;probabilistic graphical models;mean shift;particle filter ·论文·*国家“863”计划项目（2006AA703405F）；福建省自然科学基金项目（2009J05141）；福建省教育厅科技计划项目（JA09040）
信息加密与网络安全综述文献(附有大量参考文献)
信息加密与网络安全综述 摘要 本文从信息加密问题开始，论述了密码学及其发展、现状和应用，分析了一些加密技术。之后对网络安全问题进行了全面的描述和探讨，分析了不同的网络安全问题。最后探讨了网络安全问题的防范。 关键词：密码学；公钥密码体制；主动攻击
目录 1.信息加密技术 (1) 1.1前言 (1) 1.2密码学的发展 (1) 1.2密码编码与密码分析 (2) 1.2.1密码学分类 (2) 1.2.2密码体制分类 (2) 1.2.2.1对称密码体制 (2) 1.2.2.2公钥密码体制 (2) 1.2.3 密码分析学 (3) 1.2.3.1强力攻击 (3) 1.2.3.2线性密码分析 (4) 1.2.3.3差分密码分析 (4) 1.3密码协议 (4) 1.3.1认证协议 (4) 1.3.1.1数据源认证 (4) 1.3.1.2实体认证 (4) 1.3.1.3密钥建立认证协议 (5) 1.3.2 协议面临的典型攻击 (5) 1.4密码学的发展 (5) 1.4.1标准化趋势 (5) 1.4.2公理化趋势 (5) 1.4.3面向社会的实用化趋 (5) 2. 网络安全问题 (6) 2.1计算机网络 (6) 2.2计算机网络安全 (6) 2.3 面临的威胁 (7) 2.3.1 计算机软件设计上存在的漏洞和缺陷 (7)
2.3.2外部攻击 (7) 2.4 网络安全技术 (8) 2.4.1操作系统安全 (8) 2.4.2 防火墙 (8) 2.4.3 反病毒技术 (8) 2.4.4 入侵检测技术 (8) 2.4.5 数据加密技术 (8) 2.4.6 容灾技术 (8) 2.5网络安全对策 (9) 2.5.1 漏洞和缺陷方面 (9) 2.5.2 外部攻击方面 (9) 2.6总结 (9) 参考文献 (10)
检测跟踪文献综述
近年来，智能视频监控技术的研究与应用备受人们关注。作为其基本处理部分，视频监 控图像的运动目标检测是一个非常活跃的研究方向，属于计算机视觉领域的重要研究内容，在智能监控、视频压缩、自动导航、人机交互、虚拟现实等方面有着广泛的应用前景。 随着计算机软硬件技术的发展，计算机技术与监控技术相结合成为了一个新兴的应用研究方向。这种监控系统与传统意义上的监控系统的本质区别在十其智能性。视频监控的目的主要是用十对入侵者的监视、交通流量的监测，以及大门出入人员的保安监控等。传统的监控系统大都需要人工配合进行监控，存在各种问题。采用红外传感器等半自动的检测方法又存在对猫犬等动物产生误报警等问题。因此，对智能化的监控系统的研究就非常有必要。简 言之，不仅仅用摄像机来代替人眼简单的获取现场图像信息，应用计算机技术来协助监控人员甚至代替监控人员来完成监控任务，从而既获得良好的监控效果，又大大地减轻监控中的人力投入。 由此可见，智能监控系统有着广泛的应用前景和潜在的市场价值。然而要使监控系统达到智能化，就必须使计算机能够从监控摄像机里所获取的视频图像序列中提取出感兴趣的目标，并对其进行目标分类和跟踪，从而达到对目标行为进行理解与描述的目的。 智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题。视频监控技术的发展大致经历了以下二个阶段： (1) 第一代视频监控系统: 早期的视频监控都是以模拟设备为主的闭路电视监控系统，称其为模拟视频监控系统。通常采用同轴电缆的传输方式进行信号传输，但是这种模拟方式的传输要保证宽带信号具有高的信噪比和较小失真是十分困难的，所以第一代监控系统的可靠性和抗干扰性都较差，功能也相对简单。 (2) 第二代视频监控系统: 随着数字技术的发展，图像数据压缩编码技术及标准的改进，芯片成本的不断下降，数字视频监控系统也迅速发展起来。人们利用计算机的高速数据处理能力进行视频采集和处理，大大提高了图像质量，增强了视频监控的能力，提高了系统的可靠性，增强其可扩展性，其功能也越来越专业化、多样化。 (3) 第二代视频监控系统: 随着网络带宽、计算机处理能力和存储容量的迅速提高，以及各种实用视频信息处理技术的出现，视频监控进入了全数字化的网络时代，即全数字视频监控系统。该系统以网络为依托，以数字视频的压缩、传输和存储为核心，以智能实用的图像分析为特色，引导视频监控技术向智能化和网络化的方向不断发展。智能监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，借助计算机强大的数据处理能力，在不需要人为干预的情况下对拍摄到的图像序列进行动态分析，过滤掉视频画面无用的或干扰信息，自动识别不同目标，分析抽取视频源中关键有用信息，快速准确地定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统。
基于相关滤波器的目标跟踪方法综述
0引言 视觉跟踪是计算机视觉中引人瞩目且快速发展的领域,主要用于获取运动目标的位置、姿态、轨迹等基本运动信息,是理解服务对象或对目标实施控制的前提和基础。其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现,如导航制导、事件检测、行为识 别、视频监控、自动驾驶、移动机器人等[1-4]。虽然跟踪方法取得了长足进展,但由于遮挡、目标的平面内/外旋 转、快速运动、模糊、光照及变形等因素的存在使其仍然是非常具有挑战性的工作。 近年来,基于相关滤波器CF(Correlation Filter)的跟踪 方法得到了极大关注[5-9]。CF 最大的优点是计算效率高,这归结于其假设训练数据的循环结构,因为目标和候选 区域能在频域进行表示并通过快速傅里叶变换(FFT)操作。Bolme [6]等首次将CF 应用于跟踪提出MOSSE 算法,其利用FFT 的快速性使跟踪速度达到了600-700fps 。瑞典林雪平大学的Martin Danelljan 在2016年ECCV 上提出的相关滤波器跟踪算法C -COT [7]取得了VOT2016竞赛冠军,2017年其提出的改进算法ECO [8]在取得非常好的精度和鲁棒性的同时,显著提高运算速度至C-COT 的6倍之多。 基于CF 的跟踪算法如此优秀,已然成为研究热点。近年和相关滤波有关的论文层出不穷,很有必要对这些论文及相关滤波的发展等进行一个归纳和总结,以推动该方向的发展。文献[9]虽已做过综述并取得了一定效果,但有两点不足:(1)过多介绍现有几种方法的具体细节,没有对更多文献进行对比分析;(2)缺乏对基于相关滤波器跟踪方法的分类对比分析。基于此,本文的不同 ?基金项目:陕西理工大学科研项目资助(SLGKY16-03) 基于相关滤波器的目标跟踪方法综述? 马晓虹1,尹向雷 2 (1.陕西理工大学电工电子实验中心,陕西汉中723000;2.陕西理工大学电气工程学院,陕西汉中723000) 摘要:目标跟踪是计算机视觉中的重要组成部分,广泛应用于军事、医学、安防、自动驾驶等领域。虽然取得了很大进展,但由于遮挡、快速运动、模糊、光照及变形等因素存在,其仍是具有挑战性的研究领域。近年来,属于判别式类型的相关滤波器跟踪方法由于具有非常高的处理速度备受关注。首先介绍了目标跟踪和相关滤波器的基本知识,之后对相关滤波器方法在朴素阶段、循环结构和核技巧、多特征通道、与深度特征的结合、尺度研究、边界效应以及其他信息的利用方面进行了详述,最后对基于相关滤波器方法的研究方向和发展趋势给出了几点看法。关键词:计算机视觉;目标跟踪;相关滤波器中图分类号:TP391 文献标识码:A DOI :10.16157/j.issn.0258-7998.174811 中文引用格式:马晓虹,尹向雷.基于相关滤波器的目标跟踪方法综述[J].电子技术应用,2018,44(6):3-7,14. 英文引用格式:Ma Xiaohong ,Yin Xianglei.Method of object tracking based on correlation filters :a survey[J].Application of Elec-tronic Technique ,2018,44(6):3-7,14. Method of object tracking based on correlation filters :a survey Ma Xiaohong 1,Yin Xianglei 2 (1.Electrical and Electronic Experiment Teaching Center ,Shannxi University of Technology ,Hanzhong 723000,China ; 2.School of Electrical Engineering ,Shannxi University of Technology ,Hanzhong 723000,China) Abstract :Object tracking is an important part in computer vision and is widely used in military,medical,security and autonomous driving.Although great progress has been made,it is still a challenging research field due to the factors such as occlusion,rapid speed,motion blur,illumination and deformation.In recent years,the correlation filter tracking method,one of discriminant type,has attracted much attention due to its higher processing speed.We first introduces the basic knowledge of the object tracking and the correlation filter tracking,and the correlation filter tracking methods in simple stage,we also discussed the circular structure and the kernel trick,the combination of multiple feature channels and deep feature,scale research,boundary effect and the use of other information.Finally,the research direction and development trend of the method based on the correlation filter is given.Key words :computer vision ;object tracking ;correlation filter
关于三维目标识别的文献综述
1.1研究背景 随着人类社会的快速发展，图像识别已经迅速发展成为一项极为重要的科技手段，其研究目标是，赋予计算机类似于人类的视觉能力，使其通过二维图像认知周边环境信息，包括识别环境中三维物体的几何形状、位置和姿态等。图像识别需综合运用计算机科学、模式识别、机器视觉及图像理解等学科知识，并随着这些学科的发展而前进。图像识别技术己广泛应用到许多领域，例如：宇宙探测、生物医学工程、遥感技术、交通、军事及公安等。针对不同对象和环境有不同的识别方法。由于图像可以提供十分丰富有效的信息，为给识别带来较大方便。因此，图像识别技术一直受到研究者重视，是模式识别领域的研究热点之一。一般来说，图像识别技术大体经历了三个主要阶段即：文字识别、二维图像识别和处理、三维物体识别。文字识别开始于1950年前后，首先是识别字母、数字和符号，后来发展到识别文字，从识别印刷字体到手写文字，并研制出相应的文字识别设备。从六十年代初期开始，人们开始图像处理和识别的研究，逐步发展到识别静止图像和运动图像，最初主要利用成像技术光学技术等，后来人们结合了日新月异的计算机技术，获得巨大成功。接下来是对三维物体识别问题的研究。三维物体识别的任务是识别出图像中有什么类型的物体,并给出物体在图像中所反映的位置和方向，是对三维世界的感知理解。在结合了人工智能科学、计算机科学和信息科学之后，三维物体识别成为图像识别研究的又一重要方向。 目前，出于城市规划、工业自动化、交通监控、军事侦察及医疗等各个领域的大量应用需求，三维物体识别已成为一个活跃的研究领域，有较大的实用价值和重要意义，具有广阔前景。设计一个三维物体识别系统，理论上要求它有足够好的通用性、稳健性，且学习简单，即这个系统能够在各种条件下，无需手工干预就能识别任何物体，没有特殊或复杂的过程来获得数据库模型。当然这个需求一般很难达到，实际都是在一定约束条件下进行方法的研究，然后尽可能减约束条件。三维物体识别一般可分为五种主要的研究思路： 1)基于模型(model-based)或几何(geometry-based)的方法； 2)基于外观(appearance-based)或视图(view-based)的方法； 3)基于局部特征匹配的方法； 4)光学三维物体识别 5)基于深度图像的三维物体识别 现在主流的是前三项， 1.基于模型或几何的方法 如果在识别的过程中，要利用有关物体外观的先验知识，如CAD设计的模型则称为基于模型（model-based）或几何（geometry-based）的三维物体识别。基于模型的方法，从输入图像数据中得到物体描述，并与模型描述进行匹配，以达到对物体进行识别及定位目的。这里的物体模型一般仅描述物体的三维外形，省略颜色和纹理等其他属性，其算法流程如图1-1所示。
视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在 视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1 帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设(,)k f x y 和(1)(,)k f x y +分别为图像序列中的第k 帧和第k+1帧中象素点(x ，y)的象素值,则这两帧图像的差值图像就如公式2-1 所示： 1(1)(,)(,)k k k Diff f x y f x y ++=- (2-1) 2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1 式得到第k 帧和第k+1帧的差值图像1k Diff +；2、对所得到的差值图像1k Diff +二值化（如式子2-2 示）得到Qk+1；3、为消除微小噪声的干扰，使得到的运动目标更准确，对1k Q +进行必要的滤波和去噪处理，后处理结果为1k M +。 111255,,(,)0,,(,)k k k if Diff x y T Q if Diff x y T +++>?=?≤? （T 为阈值） （2-2）
【精选】大数据文献综述
信息资源管理文献综述题目：大数据背景下的信息资源管理系别：信息与工程学院 班级：2015级信本1班 姓名： 学号：1506101015
任课教师： 2017年6月 大数据背景下的信息资源管理 摘要：随着网络信息化时代的日益普遍，我们正处在一个数据爆炸性增长的“大数据”时代，在我们的各个方面都产生了深远的影响。大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力就是大数据技术，这也是一个企业所需要必备的技术。“大数据”一词越来越地别提及与使用，我们用它来描述和定义信息爆炸时代产生的海量数据。就拿百度地图来说，我们在享受它带来的便利的同时，无偿的贡献了我们的“行踪”，比如说我们的上班地点，我们的家庭住址，甚至是我们的出行方式他们也可以知道，但我们不得不接受这个现实，我们每个人在互联网进入大数据时代，都将是透明性的存在。各种数据都在迅速膨胀并变大，所以我们需要对这些数据进行有效的管理并加以合理的运用。 关键词：大数据信息资源管理与利用
目录 前言：大数据泛指大规模、超大规模的数据集，因可从中挖掘出有价值的信息而倍受关注，但传统方法无法进行有效分析和处理.《华尔街日报》将大数据时代、智能化生产和无线网络革命称为引领未来繁荣的大技术变革.“世界经济论坛”报告指出大数据为新财富，价值堪比 石油.因此，目前世界各国纷纷将开发利用大数据作为夺取新一轮竞 争制高点的重要举措. 当前大数据分析者面临的主要问题有:数据日趋庞大，无论是入
库和查询，都出现性能瓶颈;用户的应用和分析结果呈整合趋势，对 实时性和响应时间要求越来越高;使用的模型越来越复杂，计算量指 数级上升;传统技能和处理方法无法应对大数据挑战. 正文： 大数据概念 大数据定义 维基百科对大数据的定义则简单明了:大数据是指利用常用软件工具捕获、管理和处理数据所耗时间超过可容忍时间的数据集。也就是说大数据是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理 大数据来源 1)来自人类活动:人们通过社会网络、互联网、健康、金融、经济、交通等活动过程所产生的各类数据，包括微博、病人医疗记录、文字、图形、视频等 信息. 2)来自计算机:各类计算机信息系统产生的数据，以文件、数据库、多媒体等形式存在，也包括审计、日志等自动生成的信息. 3)来自物理世界:各类数字设备、科学实验与观察所采集的数据.如摄像头所不断产生的数字信号，医疗物联网不断产生的人的各项特征值，气象业 务系统采集设备所收集的海量数据等 传统数据库和大数据的比较 现有数据处理技术大多采用数据库管理技术，从数据库到大数据，看似一个简单的技术升级，但仔细考察不难发现两者存在一些本质上区别。传统数据库时