运动目标检测算法研究，耿沛，苏小龙，运动目标检测算法的研究是当今图像处理领域的一个热门方向，随着其应用领域的不断扩大，其实用价值越来越得到人们的重视。本文针

为提高对车辆图像的检测程度和实时性，针对智能交通系统，通过对实时路况的信息采集和视频图像的处理，提出了一种基于差分均值的背景提取计算方法和矩阵分区域的阴影检测方法，最终得到一个视频车辆的检测原型，从而实现对运动车辆的检测。实验结果表明，此种方法简单、计算量小、鲁棒性高，能快速地提取出背景图像，检测出比较完整的车辆阴影，可满足多运动目标的实时检测要求。

效去除运动目标包含的阴影区域，从而实现人头区域的检测针对摄像机在静止条件下的自适应运动目标检测，提出一种改进的运动目标检测算法。首先，针对高斯混合背景建模初期背景建模效果不理想的问题，利用统计的方法得到背景模型，根据背景图像建立高斯混合模型；在模型学习方面，为均值与方差设置了不同的学习率。针对传统的LBP算子的缺陷，提出了一种改进的纹理特征算子，将其与HSV颜色空间去阴影的方法相结合，从而实现对阴影的检测与去除，利用随机Hough算子对圆的检测原理，在运动目标检测的基础之上，实现对人头的边缘检测。实验结果表明：该算法可以很好地检测出运动目标，并能够有。

针对传统的三帧差分运动目标检测算法存在的通用性差和检测目标不完整的问题,提出一种改进的三帧差分运动目标检测算法,并给出了试验中的检测效果对比图。该算法采用自适应阈值对差分结果进行二值化,从而提高了算法的通用性。在二值化图像上画出运动目标外部轮廓并对目标轮廓内部进行单色填充,弥补了运动目标内部的空缺。实验结果表明,该算法运算量小,实时性高,通用性好,可以更准确地检测出运动目标,并解决了目标内部空洞的问题。

目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。

基于多项式时间序列预测的动态规划先于检测轨迹的雷达目标检测算法

智能车辆开发中的三维目标检测算法综述.pdf

Hough Forest目标检测由Juergen Gall在2009的CVPR上提出。作者给出的源码是基于linux系统的，在这里做了相应的修改使其能够在win系统上能够正常工作，只上传了修改后的代码及测试数据，需要自己另外配置opencv。我的环境是64位Win7+vs2010+opencv2.4.9。

本文来自于网络，本文主要介绍了目标检测可以实际应用的生活场景以及目标检测的主要问题和深度学习的方法等相关知识。这或许是计算机视觉领域内最著名的问题。它主要指将一张图像归为某种类别。学术界最流行的一类数据集是ImageNet，由数以百万计已分好类的图像组成，（部分）用于年度ImageNet大规模视觉识别挑战比赛（ILSVRC）。近年来，分类模型已经超过了人类的表现，因此该问题基本算是一个已经解决的问题。图像分类领域有许多挑战，但是也有许多文章介绍已经解决了的，以及未解决的挑战。图分类样例与分类类似，定位问题是找到图像中单一物体的位置。图目标定位示例目标定位在实际生活中是很有用的。例如，智能裁

现有的高精度目标检测算法依赖于超深的主干网络(如ResNet和Inception),无法满足实时目标检测场景的需要,相反采用轻量级主干网络(如VGG-16和MobileNet)能达到实时目标检测的目的,但会导致检测精度的损失,对小目标的检测效果变差。SSD(Single Shot Multi-Box Detector)算法具有高精度、实时检测的特点。本文以SSD算法的网络结构为基础,通过添加感受野模块增强轻量级主干网络的特征提取能力,同时引入特征融合模块,充分利用深层网络提取语义信息,达到实时目标检测的目的,同时提高算法整体的检测精度和对小目标的检测能力。为进一步验证引入新模块的有效性,本文算法模型在PASCAL VOC2007数据集上进行测试,准确率达到80.5%,相比于原始SSD算法有3.3个百分点的提升,检测速度达到75 frame/s,整体性能优于目前大多数目标检测算法。