一、基于DSP的运动目标识别与跟踪的系统设计(论文文献综述)
楼晨风[1](2021)在《线列红外成像系统目标检测关键技术研究》文中指出随着红外成像技术的不断发展,红外成像系统现已具有探测距离远,探测灵敏度高,抗干扰能力强,可全天时工作等优点,在工业,安防及国防领域发挥了重要作用。在红外成像系统中,红外目标的检测与识别算法扮演了重要角色。近年来,国产处理器蓬勃发展,但其种类与性能依然与世界先进水平存在一定差距,因此,本文立足于现有国产处理器平台,围绕复杂背景下红外目标检测的客观难点,提出了一种可扩展的异构计算框架,并设计了对应的红外目标算法。着重进行了:(1)针对线列扫描探测器优化的快速红外目标预检测算法研究。该算法针对线列探测器的带状噪声特点,定义了衡量离散像素圆度的指标,并提出了一种利用疑似目标的圆度对噪声和目标进行快速分类,最后利用局域分割得到目标的方法。该方法的计算速度具有较佳的伸缩性,在国产DSP上最高可提供4000万像素/秒的目标识别性能,同时具有低虚警率和优于典型实时检测算法的识别率。(2)基于梯度增强的红外小目标检测算法研究。该算法针对(1)中难以判别的场景,利用红外目标的梯度对称性和线列探测器校正方法存在的不足,提出了一种在梯度空间上对红外目标进行多尺度融合增强的算法。首先,计算图像四方向上的前向差分图,寻找差分图中的互补像素,增强互补像素的对比度,并积分还原图像,然后融合叠加不同尺度,不同方向的增强还原图像,最后利用背景杂波的峰-峰值计算自适应分割阈值,分割红外小目标。算法实验表明,该算法具有较佳的小目标检测能力,在高对比度的复杂场景下,具有优秀的识别率与虚警率,同时计算开销较低。(3)基于深度学习的红外目标检测难度估计算法。利用深度学习直接对红外小目标进行端到端检测存在缺少训练集的困难,而通过合理的阈值或参数设置,传统特征工程目标检测算法在红外小目标的识别率上仍具有提升空间,因此,本文提出一种名为iRCNN的多重网络阈值估计框架,利用多个子网对待检测区域进行阈值估计并加权获得预测阈值,且利用子网预测结果的分布特性导出预测阈值的可信度,最后综合两者以指导传统算法的阈值确定。实验表明,相较于Ranking-CNN,iRCNN网络结构更适合对算法阈值进行基于场景的动态估计,且效果优于人为设置的固定阈值或超参数。(4)基于运动特性建模的低帧率航迹匹配算法。由于线列红外探测器产生的图像帧率低,小目标帧间相关性差,传统的多帧红外小目标检测算法往往不能很好地对航迹进行估计,因此,本文对红外小目标的运动特性进行建模,利用小目标之前的运动特性估计目标机动能力,并以此确定搜索空间,最后利用搜索空间边界条件构建目标评价函数,对红外小目标进行自适应拟合,最终获得航迹。实验表明,该方法对机动目标具有良好的检测能力。(5)一种实时目标检测系统设计。针对我国对芯片生产独立自主的追求,利用本文所提及的各种技术,本文提出了一种异构计算框架,以融合DSP和通用计算机的优势实现实时目标检测。首先,在系统运行前,利用iRCNN网络对整个空域进行背景阈值预标定,以降低深度学习方法对性能的需求;其次,发挥DSP的实时处理能力,利用DSP对整个红外图像场景进行实时检测,产生对应的粗检测区域;然后,整合梯度空间小目标检测算法与iRCNN的预测阈值,对粗检测区域进行详细检测,分割获得疑似目标,并使用航迹匹配算法整合目标输出结果。该框架在提供较高性能的目标检测能力的前提下,通过充分优化算法流程,掩盖了线列扫描探测器的低实时性问题,具有较高的实用价值。
李大珍[2](2020)在《基于DSP的红外车辆目标识别与跟踪系统设计》文中认为红外目标的识别与跟踪作为计算机视觉领域的热点研究方向,国内外研究学者针对红外图像的强隐蔽性、强抗干扰性和强环境适应性等特点开展了大量研究,相关学术成果已广泛应用于军用领域、工业应用领域及交通运输、视频监控等民用领域。然而,在军用领域,随着系统集成度和微小综合系统要求的提高,系统设备的处理器既需满足图像处理算法的高性能要求,又需具备小体积、低功耗特点。因此,完成体积小、重量轻、功耗低的可实现红外目标跟踪与识别的硬件系统设计与样机研制,就显得尤其重要。基于真实战地环境条件下汽车、坦克等目标红外图像的识别与跟踪原理,通过综合对比分析各类硬件平台优缺点,本文提出了基于单DSP处理器的红外车辆目标识别与跟踪系统方案。以小型化和低功耗为目标,基于模块化的思想,完成了DSP硬件系统平台设计。DSP硬件平台主要包括视频采集单元、图像处理及控制单元和视频输出单元。视频采集单元主要用于完成目标红外信息的图像采集,并将获取的红外图像信息输出至图像处理及控制单元。图像处理及控制单元主要用于红外图像预处理、目标识别与目标跟踪处理,控制视频采集单元、视频输出单元对目标图像的采集与输出。视频输出单元用于接收图像处理及控制单元输出的图像,并传输至显示器显示。本文提出的高斯滤波+阈值分割+序贯相似性检测算法,简单有效,适用于单DSP处理器。高斯滤波和阈值分割算法可很好的减少图像的背景噪声,并准确分割提取目标图像,序贯相似性检测算法可较好实现目标图像的识别与跟踪。基于VS和Open CV,开展了高斯滤波、阈值分割法和序贯相似性检测算法对红外车辆目标识别与跟踪的有效性和实用性的仿真验证,结果表明,算法满足红外车辆目标识别与跟踪使用需求。结合硬件系统平台硬件资源特点,完成图像处理算法移植,并开展了提高图像处理效率的优化设计,完成了红外车辆目标识别与跟踪系统硬件软件集成与应用。结果表明,该系统外形尺寸为5cm*6cm*1cm,系统功耗不大于3w,非常适合于野外、空中、海上等供电要求严苛、空间小的小型无人机或便携式地面设备等武器系统。
余田椿[3](2020)在《基于FPGA的目标识别与跟踪系统设计》文中研究指明运动目标的实时识别与跟踪技术是机器视觉和智能监控等领域的重要研究方向,该技术现已广泛应用于军事和民用的许多领域中。现如今,基于目标识别与跟踪的图像处理算法已日趋完善,但是这些算法大多都是基于PC端的软件平台上实现的,在某些领域及场所其便利性及成本皆难以满足要求。故此,目标识别与跟踪算法的硬件实现已然成为热门研究方向。而FPGA凭借其处理速度快以及并行处理等优势,在图像处理领域得到了广泛应用。除此之外,相较于传统基于PC机的图像处理系统,其无论是在系统成本、产品维护和程序升级等方面都极具优势。而随着现代集成工艺的提高,其集成度会越来越高,性能会更加突出,适用领域及场合也会越来越多。因此,利用FPGA作为处理器对图像进行实时、快速的检测及处理有着很高的学术前景和实用价值。本文以自制的FPGA开发板作为实验平台来实现动态背景下目标的识别与跟踪。首先介绍了FPGA的开发软件及其开发流程,然后对开发板的硬件资源做了详细的介绍,紧接着对几种常见的目标检测及跟踪算法做了详细的介绍,并结合其优缺点及FPGA的开发特性,最终采用了基于颜色特征检测的SAD模板匹配跟踪算法来实现动态背景下目标的识别与跟踪,最后详细介绍了算法的FPGA实现过程,并通过Matlab及Modelsim软件对算法进行功能验证及时序验证。本系统分为图像采集模块、图像存储模块、图像处理模块、图像显示模块和硬件跟踪模块五个部分。首先通过Verilog硬件描述语言实现各模块功能,然后通过Modelsim软件对其功能进行仿真验证,最后将代码烧录到FPGA芯片中实现目标的识别与跟踪的目的。通过综合后的验证,系统能够实现对动态背景下目标的识别与跟踪。
林俤[4](2020)在《复杂背景下反无人机的智能光电搜索跟踪技术研究》文中指出随着国际反恐和安保形式的变化,必须对来自空中的“低慢小”目标进行有效的防范。城市空中安保面临的空中威胁多为“低慢小”目标,固定翼目标机动飞行的速度可达30~50m/s,飞行角速度较大,且存在机动。在目标机动情况下,高精度拦截系统需要光电搜索跟踪系统的激光测距光轴实时照准目标,以获取目标位置信息,并实时估计目标机动运动参数,这对光电搜索跟踪系统的跟踪精度提出了很高的要求。另一方面,由于城市环境楼宇及建筑物众多,背景复杂,相对于常规净空背景下的无人机目标跟踪,对光电搜索跟踪系统复杂背景下的目标探测及图像跟踪能力也提出了新的要求。智能光电搜索跟踪系统能够实现城市复杂背景下对空中“低慢小”目标的实时搜索、捕获和跟踪,以便为高精度的拦截系统提供目标运动参数。针对复杂背景下“低慢小”目标探测及高精度跟踪的难点,本文分析了目标和复杂背景成像特点,提出了多光谱多元探测光学系统设计方案,将目标信息获取从常规的单一通道扩展为多个通道,使目标和背景可以在不同的波段上进行区分。在多光谱成像探测的基础上重点研究了复杂背景下的目标图像搜索跟踪技术和高精度伺服跟踪技术。在多光谱成像探测的基础上,对于目标机动情况下的高精度伺服跟踪技术,针对多种类型的“低慢小”目标机动能力和典型飞行方式的不同,提出了基于神经网络的IMM卡尔曼滤波前馈补偿跟踪方法。该方法将各种类型目标的机动特性建模后加入IMM卡尔曼滤波机动模型中,并采用神经网络目标识别模型来对搜索到的空中目标进行识别,根据识别到的目标类型自动调整IMM卡尔曼滤波参数,使滤波器对目标的机动特性获得最佳估计。从而为前馈补偿控制算法提供精确的前馈补偿控制量。高精度的伺服控制可保证在目标机动情况下,光学系统光轴仍可以稳定对准目标,使得测距激光可实时连续对目标进行测距。对于城市复杂背景下的目标图像搜索跟踪技术,提出了基于多光谱探测的多模复合TLD目标跟踪算法。在实际系统应用中,TLD算法存在耗时较长,容易产生跟踪漂移等缺点。因此,为了获得实时稳定的跟踪算法,本文提出了改进的复合TLD目标跟踪算法,一方面,图像处理前端首先对获取的图像进行融合处理,融合后的视频帧一路经过抽取(原始50Hz,抽取后为10Hz),之后送入TLD目标跟踪算法,另一路直接送入KCF目标跟踪算法中,KCF算法实时性高,运算速度快,在运行正常的情况下,TLD算法会对KCF样本进行更新,以弥补KCF算法不能适应目标尺度变化及局部遮挡的情况,最外层采用基于先验信息的神经网络目标识别技术,在内层算法丢失目标后重新捕获目标,复合跟踪算法将三种算法进行优势互补,提高了跟踪稳定性和可靠性。对于城市复杂背景下建筑物对无人机的遮挡情况,通过IMM卡尔曼滤波技术来解决目标进入遮挡区域后对其运动轨迹的预测问题。无人机在进入遮挡区域后,其轨迹预测误差随时间的增长而增加。在短时间内,IMM卡尔曼滤波器的预测精度较高,随着时间的增长,目标出现各种机动的概率增加。提出了抗长时遮挡的IMM卡尔曼滤波-TLD目标跟踪算法,并进行了单机试验验证。对多机联合跟踪情况进行了仿真。本章算法根据目标出现区域的概率来自适应的调整跟踪波门,以使目标脱离遮挡区域后能够以较大概率重新进入跟踪视场。本文对以上关键技术在理论分析的基础上,进行了相关试验验证,证明了其算法的有效性。对于机动目标的跟踪精度验证,在实验室环境采用目标模拟器模拟各种目标机动,采用光电搜索跟踪系统实时跟踪并评估其跟踪精度,采用基于神经网络的IMM卡尔曼滤波前馈补偿控制器较常规控制器精度可提高3倍以上,实际系统在外场验证目标典型机动跟踪精度优于0.5mrad;在外场环境验证了多模复合TLD目标跟踪算法,较常规KCF或TLD算法,包含复杂背景下测试视频集的平均测试精度评估为0.9。单次抗遮挡跟踪试验中,基于IMM卡尔曼滤波将轨迹预测误差从常规预测的53m减小到15m。提高光电搜索跟踪系统的智能化水平、抗遮挡能力和精确跟踪能力是未来城市复杂背景反无人机系统的发展方向。对反无人机相关关键技术进行深入研究无论是军用还是民用反恐都将具有重要意义。
任永平[5](2019)在《反无人机系统中目标探测跟踪技术研究》文中指出反无人机系统广泛应用于反恐治安、空中管制及隐私安全等方面,现有的反无人机系统主要着眼于防御和攻击需求,因其体积庞大,在移动作战过程中易于暴露自己,而且在遮挡情况下误警率较高。本论文针对局部低空防务需求,开展小型化、高精度的反无人机目标探测跟踪系统研究,以小型四旋翼无人机为研究目标,结合视觉注意机制开发目标检测方法,对叶簇背景设计目标跟踪与轨迹预测算法,并借助于达芬奇硬件平台进行验证。主要研究内容包括以下四个方面:1)设计光电成像技术方案。通过分析探测器的作用距离,研究像元尺寸和分辨率之间的关系与目标在光学系统中的成像过程,并结合探测器的光谱响应特性,完成探测系统的器件选型,构建了适用于低空反无人机目标探测跟踪系统的光电成像技术方案。2)开展无人机目标检测方法研究。通过分析对比3类经典的显着性检测模型,研究了色彩空间模型及小波函数特性,综合考虑图像的局部和全局对比度特征,改进了基于小波分析的显着性检测方法。实验结果表明,在XYZ色彩空间sym2小波显着性检测方法的精确率、召回率和F值均高于其他5种小波。3)设计了目标跟踪及轨迹预测算法。基于滤波技术和遮挡判别策略,对叶簇场景下目标遭受全局遮挡而产生的跟踪漂移问题,引入了融合卡尔曼滤波的时空上下文跟踪算法。实验结果表明,改进算法的平均成功率相对于原算法提高了 14.9%,中心位置误差精度提高了 6.8个像素。4)研究了嵌入式算法移植技术。以DM6446达芬奇平台的软件架构为基础,搭建了系统运行环境。根据算法设计流程,依次配置并生成了算法的Codec包、DSP服务器以及Codec引擎,开发了基于时空上下文目标跟踪算法的应用程序。经验证嵌入式目标跟踪系统的处理速度最低为13帧/s。通过实验验证,本论文构建的反无人机目标探测跟踪系统实现了系统的小型化设计,同时达到了提高跟踪成功率和目标定位精度的预期目标,在低空防务需求中具有重要的工程意义。
吕聪奕[6](2017)在《基于FPGA的实时机器人视觉系统研究》文中进行了进一步梳理机器人视觉系统是现代机器人的重要组成部分,机器人视觉传感器常常担负了环境识别,自身定位、目标物识别等一系列关系到机器人智能化与自主化的关键任务。由于机器人视觉系统对于实时性有着极高的要求,一些飞行或者移动机器人又对视觉系统的体积和重量较为敏感,以计算机为核心的传统机器人视觉处理系统由于其较大的体积、较高的功耗以及实时性严重不足等缺点已经越来越无法满足机器人视觉系统的需求。为满足机器人对于视觉处理系统高实时性、低功耗、微小型体积的要求,本文研究了基于FPGA架构的并行化实时机器人视觉系统的关键技术。本文从图像数据的处理算法并行化加速出发,通过对复杂机器人视觉算法的并行化分解,实现了机器人视觉处理算法在FPGA平台上的移植。本文主要研究了实时机器人视觉系统的搭建、视觉系统畸变的实时矫正、颜色域变换、边缘检测、Harris特征点检测等算法的并行化处理方案,着重研究了基于FPGA的SIFT特征检测的硬件架构,利用FPGA高度并行化的特点大幅提高了算法的实时性。本文提出了一种基于实时机器人视觉处理技术的高速运动目标追踪算法与系统,采用并行化视觉处理以及视觉伺服技术解决了高速运动目标的追踪问题。通过一系列机器人视觉系统的应用与对比实验,充分证明了论文所提出的实时机器人视觉系统可以大幅提高机器人视觉算法的实时性,并且具有低功耗、高帧率、微小型体积等优点,满足大多数机器人领域对于视觉处理系统的需求。论文对平台搭建、视觉处理算法的硬件化及并行化加速等关键技术进行了深入研究并分别提出相应的解决方案,为实时机器人视觉系统的设计与实现提供了大量的参考和技术支撑,论文的主要工作如下:本文从机器人视觉系统的实时性不足的问题展开讨论,总结了当前机器人视觉系统在应用中依然存在的问题和难点,提出了基于FPGA处理平台的实时机器人视觉系统。本文在基于FPGA平台的实时机器人视觉系统中实现了并行化的图像预处理算法,主要包括视觉成像系统镜头畸变的实时矫正方法,该方法通过查表法的处理方法对畸变图片数据进行矫正,针对矫正带来的黑点以及像素消失问题,采用了基于FPGA的双线性插值算法进行像素实时补偿,实现了与计算机平台相同的镜头畸变矫正效果。本文实现了基于FPGA平台的图像滤波处理以及颜色空间转换等图像预处理算法。针对机器人视觉领域常用的几种图像处理算法如Sobel边缘检测、Harris特征点、SIFT特征检测等算法进行了并行化设计,使得这类视觉算法可以在基于FPGA的机器人视觉系统中实现移植及算法加速,并给出了具体的设计方案及思路。通过实验充分验证了本文所提出的硬件化图像处理算法比起计算机平台具备更加优异的实时性、高效性及低功耗的特点。本文提出了一种全景图像的硬件拼接方法,采用基于FPGA平台的SIFT特征实时检测算法实现了全景机器人视觉系统的图片实时匹配与拼接,通过加权平均值的方法实现了基于硬件架构的拼接区域灰度融合,整个拼接过程无需计算机参与,取得了优异的拼接效果,比起计算机平台的图片拼接方案具有更高的处理速度以及相同的拼接效果。本文将基于FPGA的机器人视觉系统与视觉伺服控制算法相结合,提出了一种新的高速运动目标追踪算法,利用多特征识别的方法来对高速运动目标进行识别,通过感兴趣区域智能控制算法实现了减少运算量以及提高运算速率的效果。在进行高速飞行目标追踪实验中,采用基于FPGA平台的图像处理算法并行化加速解决了高速运动目标追踪算法实时性不足的问题,取得了优异的实验效果。
陈芬,彭宗举,王晓东,严迪群[7](2014)在《DSP技术实践课程的项目设计及教学应用》文中研究指明针对数字信号处理(DSP)技术相关课程实践应用性很强的特点,结合TI公司DaVinci系列DSP芯片的数字视频监控等最新应用,开发了基于SEED-DTK6437硬件平台的运动目标识别与跟踪实验系统,分别采用二帧差法和改进型三帧差法实现了运动目标识别,并利用形心算法实现了运动目标的跟踪。同时,将该系统有效地应用到宁波大学第三学年短学期课程设计和虚拟企业校内集中毕业实习等实践教学环节,为培养学生DSP芯片软硬件系统设计能力提供了良好的实验方案。
苑光明[8](2010)在《基于全方位视觉的移动机器人动态目标识别与导航研究》文中研究表明与传统视觉技术相比,全方位视觉能够一次获得大于半球视场三维空间内的所有图像信息,所以对于该技术的研究在计算机视觉领域得到了长足的发展。而运动目标的识别与跟踪也是计算机视觉领域中非常活跃的研究课题之一,其核心任务是利用计算机视觉技术从图像序列中识别、跟踪运动目标。这两项技术都在智能机器人领域中有广泛的应用,二者的有机结合为智能机器人的应用提供了重要的方式。本论文在国家863计划项目“基于全方位视觉的移动机器人动态目标探测与导航”(项目编号:2007AA04Z229)的支持下,研制了以全方位视觉伺服技术为核心的车载导航系统,可同时实现全景观测、陆标导航和机动目标跟踪等综合功能。其核心技术研究和样机设计将促进诸多单项技术和系统集成创新的发展,在理论和工程应用都有重要意义。本文的创新性成果与主要工作如下:1、对全方位视觉图像伺服组件的功能设计和实现方法进行研究,提出了一种综合陆标导航和机动目标跟踪功能的全方位视觉伺服器的创新设计方案,在方案实施过程中对关键元器件进行设计、选型,并开发相应的图像处理算法。该方案在实现功能的前提下有效地降低了系统复杂程度和开发成本。2、将光流法和粒子滤波器相结合,开发了一种复合型识别跟踪算法,能够在陆标或背景坐标系下确定移动机器人和目标的相对位置、以及在移动背景下实施机动目标识别跟踪。该算法是一种高效的、具有较强实时性和鲁棒性的综合算法。3、开发了基于双DSP主从结构的全方位视觉图像伺服组件,该组件采用模块化双DSP主从式并行处理硬件平台,该伺服组件的应用强化了导航器的视觉功能,利用全方位视觉将监测、导航和机动目标跟踪等多项技术优势融于一体,拓展了其应用模式。4、研究并开发了基于ARM9内核的移动机器人嵌入式车载导航器。该导航器为核心板加扩展底板架构,系统搭载的综合导航算法能够将全方位视觉图像信息和其他传感器信息融合后作为导航决策的依据,实现了基于多传感器的综合导航,并能够作出决策控制驱动系统。实验表明,该系统工作稳定可靠,各项性能指标均达到设计要求。
张奇山[9](2010)在《基于DSP的实时视频跟踪系统的设计》文中进行了进一步梳理随着信息化社会建设的加速,军用设备和民用设备对智能化的需求不断扩大,直接加快了智能化技术的发展。在这个背景下,目标识别与跟踪技术迅速发展,成为了应用视觉领域中一个重要的研究课题。近年来,随着超大规模集成电路和嵌入式技术的不断发展,嵌入式终端运算能力的不断提高,嵌入式目标识别与跟踪正逐步成为智能化跟踪的主流。1、从实际应用出发,设计了基于DSP+FPGA模式的硬件开发平台。1)在硬件开发平台的设计中,优化了数据总线和控制总线,增强了系统处理和控制能力,提高了系统的灵活性,完成了系统处理模块、电源电路模块、外部存储器设备模块、可编程器件模块、视频解码模块和视频编码模块的设计实现。2)介绍了FPGA内部结构,实现了FPGA内部各功能模块,设计了FIFO系统,完成了FIFO监视器、缓冲器和SDRAM控制器的设计实现,改进了SDRAM控制器的状态机,强化了系统的可编程特性,增强了FPGA的系统调控能力和灵活性,实现了FPGA与SDRAM的无缝连接。2、视频解码和编码模块分别采用了Philips公司的SAA7115和SAA7105芯片,对比视频设备驱动的三种模型,根据视频设备的特性,利用了FVID驱动模型设计实现了视频解码与编码设备驱动程序。3、完成了硬件平台的检测调试。通过视频运动目标识别与跟踪的实例,调试了系统硬件平台,验证了硬件的稳定性和可靠性。研究实现了视频采集、图像预处理、目标检测、图像分割、特征提取和匹配、目标跟踪。
乔彩风,宋世军,何忠[10](2007)在《数字视频监控系统的智能化实现》文中认为在视频监控系统从模拟时代向全数字时代跨越的过程中,传统的闭路电视监控系统已经不适合数字信号的传输与处理的要求。本文通过分析比较目前的四种运动目标自动识别与跟踪系统的功能及其硬件结构,提出一种实现视频监控系统智能化的方案。该方案不仅可以实现各个监控终端可疑运动目标的自动识别与跟踪功能,而且一旦检测到可疑的运动目标便可进行灵活的报警和录像,方便了事后查询和破案。
二、基于DSP的运动目标识别与跟踪的系统设计(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、基于DSP的运动目标识别与跟踪的系统设计(论文提纲范文)
(1)线列红外成像系统目标检测关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 红外目标算法相关研究现状 |
1.2.1 主流红外小目标检测方法及特点 |
1.2.2 主流多目标航迹匹配方法及特点 |
1.3 本文内容及章节安排 |
1.3.1 研究动机 |
1.3.2 主要研究内容 |
1.3.3 论文章节安排 |
第2章 基于像素聚拢度的快速红外目标检测方法 |
2.1 研究背景 |
2.2 目标特征分析 |
2.2.1 线列探测器的带状噪声 |
2.2.2 Robinson-Guard滤波器的优缺点 |
2.2.3 像素聚拢度 |
2.2.4 像素聚拢度的作用 |
2.2.5 利用像素聚拢度和目标能量扩展Robinson-Guard滤波器 |
2.3 目标识别算法设计 |
2.3.1 窗口分布热力图 |
2.3.2 目标概率图 |
2.3.3 算法流程与参数确定 |
2.4 算法性能评价 |
2.4.1 在线列探测器真实图像上的性能评价 |
2.4.2 在线列探测器合成图像上的性能评价 |
2.4.3 在公开红外数据集上的评价 |
2.4.4 算法运行速度对比 |
2.5 在国产DSP上的算法简化移植 |
2.5.1 分支预测与受其影响的热点函数 |
2.5.2 针对窗口设置与移动逻辑的简化 |
2.5.3 针对计算ERG的简化 |
2.5.4 简化算法的目标检测性能 |
2.6 小结 |
第3章 增强图像梯度检测红外小目标 |
3.1 研究背景 |
3.2 线列探测器的误差分析 |
3.2.1 线列探测器的两点校正与高阶误差 |
3.2.2 基于图像梯度的局域校正 |
3.3 利用单向梯度图进行目标增强 |
3.3.1 红外小目标的梯度特性与增强约束 |
3.3.2 一种增强红外小目标单向梯度图的方法 |
3.4 基于增强单向梯度图的红外目标检测 |
3.4.1 堆叠抑制随机噪声 |
3.4.2 基于目标尺度金字塔融合图像 |
3.4.3 自适应局域化分割融合图像 |
3.5 性能测试与对比 |
3.5.1 使用复杂空地背景红外数据集评价 |
3.5.2 使用线列探测器无人机图像评价 |
3.6 小结 |
第4章 基于深度学习的红外目标检测阈值估计 |
4.1 研究背景 |
4.1.1 卷积神经网络的优势 |
4.1.2 使用卷积神经网络检测红外小目标的困难 |
4.2 针对特征工程算法的深度学习阈值增强框架 |
4.2.1 利用CNN解决回归问题的相关工作 |
4.2.2 针对阈值分布概率的CNN子网设计 |
4.2.3 iRCNN框架设计 |
4.2.4 iRCNN的预测误差 |
4.2.5 iRCNN的目标函数与交叉训练流程 |
4.3 实验与分析 |
4.3.1 数据集构建与训练流程 |
4.3.2 阈值预测精度分析 |
4.3.3 算法增益性能分析 |
4.4 小结 |
第5章 基于有限机动假设的LM-JPDA目标航迹匹配算法 |
5.1 引言 |
5.2 基于有限机动假设的JPDA |
5.2.1 JPDA的基本原理 |
5.2.2 多假设跟踪的基本原理 |
5.2.3 基于有限机动能力的搜索门限估计 |
5.2.4 量测关联概率估计 |
5.2.5 静止目标过滤与径向速度估计 |
5.3 实验与分析 |
5.4 小结 |
第6章 基于长波红外线列探测器的实时目标检测系统设计 |
6.1 引言 |
6.2 系统框架设计 |
6.2.1 系统硬件组成 |
6.2.2 图像预处理与死点去除 |
6.2.3 背景检测与阈值标定 |
6.2.4 基于DSP的目标粗检测 |
6.2.5 航迹拟合与目标确认 |
6.3 系统测试与分析 |
6.3.1 多场景测试 |
6.3.2 实时性分析 |
6.4 小结 |
第7章 总结与展望 |
7.1 全文工作总结 |
7.1.1 主要工作 |
7.1.2 工作的特色与创新点 |
7.2 未来展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(2)基于DSP的红外车辆目标识别与跟踪系统设计(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 目标识别与跟踪算法现状 |
1.2.2 图像处理平台硬件现状 |
1.3 论文的主要工作及安排 |
第二章 系统总体技术方案 |
2.1 基础知识 |
2.2 系统需求分析 |
2.3 系统组成 |
2.4 系统工作流程设计 |
2.5 系统核心功能单元设计 |
2.6 本章小结 |
第三章 硬件设计与实现 |
3.1 引言 |
3.2 视频采集模块设计 |
3.2.1 视频采集电路设计 |
3.2.2 视频采集模块驱动设计 |
3.3 视频输出模块设计 |
3.3.1 视频输出电路设计 |
3.3.2 视频输出模块驱动设计 |
3.4 处理器核心模块设计 |
3.4.1 EPPI接口电路 |
3.4.2 DDR模块电路设计 |
3.4.3 JTAG模块设计 |
3.4.4 系统启动模块电路设计 |
3.4.5 程序存储模块电路设计 |
3.5 本章小结 |
第四章 系统软件设计 |
4.1 处理器软件设计 |
4.1.1 DMA设计 |
4.1.2 视频采集和输出接口软件设计 |
4.1.3 乒乓缓存软件设计 |
4.2 图像处理算法设计 |
4.2.1 红外图像预处理算法 |
4.2.2 目标识别算法 |
4.2.3 目标跟踪算法 |
4.3 图像处理的优化设计 |
4.4 本章小结 |
第五章 系统测试 |
5.1 测试环境介绍 |
5.2 系统硬件测试 |
5.3 系统测试 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 本文完成的工作 |
6.2 未来工作的展望 |
参考文献 |
致谢 |
作者简介 |
(3)基于FPGA的目标识别与跟踪系统设计(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及意义 |
1.2 国内外研究现状 |
1.3 论文结构安排 |
第2章 基于FPGA的目标识别跟踪系统设计 |
2.1 系统整体方案设计 |
2.2 开发平台介绍 |
2.3 图像采集模块 |
2.4 图像存储模块 |
2.5 图像显示模块 |
2.6 硬件跟踪模块 |
2.7 本章小结 |
第3章 运动目标检测及跟踪算法介绍 |
3.1 运动目标检测算法介绍 |
3.2 预处理算法介绍分析 |
3.3 运动目标跟踪算法介绍 |
3.4 本章小结 |
第4章 检测及跟踪算法的FPGA实现 |
4.1 检测前预处理操作 |
4.2 检测算法的实现 |
4.3 形态学滤波的实现 |
4.4 跟踪算法的FPGA实现 |
4.5 本章小结 |
第5章 实验结果演示及分析 |
5.1 各算法阶段显示效果演示 |
5.2 系统整体性能分析 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
个人简介 |
(4)复杂背景下反无人机的智能光电搜索跟踪技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 反无人机系统国内外研究现状 |
1.2.2 目标探测跟踪领域国内外研究现状 |
1.3 当前光电跟踪装备及目标搜索跟踪技术中存在的问题 |
1.4 研究难点 |
1.5 论文主要研究内容 |
第二章 目标成像特点及基本跟踪设计理论 |
2.1 引言 |
2.2 “低慢小”目标在复杂背景下的成像特点 |
2.2.1 光谱特征 |
2.2.2 颜色特征 |
2.2.3 偏振特性 |
2.2.4 三维特征 |
2.2.5 运动特征 |
2.3 基于多光谱探测的光学载荷设计 |
2.4 光电跟踪基本伺服跟踪理论 |
2.4.1 基本控制原理 |
2.4.2 复合前馈控制 |
2.4.3 目标跟踪及轨迹预测 |
2.4.4 动载体情况下的陀螺稳像控制 |
2.5 基于复杂背景的基本图像跟踪理论 |
2.6 本章小结 |
第三章 改进的多模TLD目标跟踪算法 |
3.1 引言 |
3.2 TLD算法的主要模块 |
3.2.1 跟踪器 |
3.2.2 检测器 |
3.2.3 整合器 |
3.2.4 P-N学习模块 |
3.3 KCF算法简介 |
3.3.1 构造样本 |
3.3.2 训练分类器 |
3.3.3 目标检测 |
3.3.4 分类器的更新 |
3.4 多模复合TLD目标跟踪算法 |
3.4.1 TLD算法中改进的多特征融合目标跟踪器 |
3.4.2 改进的多模复合TLD算法 |
3.4.3 仿真 |
3.5 本章小结 |
第四章 基于神经网络的IMM卡尔曼滤波前馈补偿伺服控制算法 |
4.1 引言 |
4.2 伺服系统构成及工作原理 |
4.3 基于神经网络的IMM卡尔曼滤波复合控制器 |
4.4 用于估计模型最优参数的神经网络参数训练器 |
4.5 仿真分析 |
4.6 本章小结 |
第五章 抗长时遮挡的联合IMM卡尔曼滤波-TLD目标跟踪算法 |
5.1 引言 |
5.2 基本原理 |
5.3 目标遮挡时对可能出现区域的概率估计 |
5.4 仿真分析 |
5.5 多机联合IMM卡尔曼滤波-TLD目标跟踪 |
5.6 基于抗长时遮挡IMM卡尔曼滤波器轨迹预估的延伸功能 |
5.7 本章小结 |
第六章 硬件设计与实现 |
6.1 引言 |
6.2 智能光电搜索跟踪系统构成和工作原理 |
6.3 光学系统设计 |
6.4 搜索跟踪系统的伺服控制模块设计 |
6.4.1 伺服控制系统设计要点 |
6.4.2 伺服控制系统总体构架 |
6.4.3 伺服控制电控设计 |
6.5 时序控制模块设计 |
6.6 GPU图像处理平台设计 |
6.7 关键技术 |
6.8 本章小结 |
第七章 智能光电搜索跟踪系统试验分析 |
7.1 引言 |
7.2 IMM卡尔曼滤波前馈补偿控制跟踪精度试验 |
7.3 多模复合TLD目标跟踪试验 |
7.4 抗长时遮挡IMM卡尔曼滤波-TLD目标跟踪试验 |
7.5 本章小结 |
第八章 工作总结与展望 |
8.1 总结 |
8.2 展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(5)反无人机系统中目标探测跟踪技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国内外反无人机系统及技术研究现状 |
1.2.2 运动目标检测研究现状 |
1.2.3 运动目标跟踪研究现状 |
1.3 论文研究内容及章节安排 |
2 光电成像目标探测跟踪系统构建 |
2.1 系统技术指标及总体方案 |
2.1.1 光电成像探测跟踪系统技术指标 |
2.1.2 光电成像探测跟踪系统总体方案 |
2.2 光电成像探测跟踪系统硬件构成 |
2.2.1 探测器选取 |
2.2.2 主控制器选取 |
2.2.3 显示单元选取 |
2.3 本章小结 |
3 基于视觉注意机制的目标检测技术 |
3.1 视觉注意机制概述 |
3.2 经典显着性检测模型 |
3.2.1 基于局部对比度的检测模型 |
3.2.2 基于全局对比度的检测模型 |
3.2.3 基于局部和全局对比结合的检测模型 |
3.3 基于小波分析的目标显着性检测模型 |
3.3.1 CIE XYZ色彩空间模型 |
3.3.2 小波函数特性 |
3.3.3 显着图解算模型 |
3.4 显着性检测结果分析 |
3.4.1 定性分析 |
3.4.2 定量分析 |
3.5 本章小结 |
4 目标跟踪及轨迹预测技术 |
4.1 时空上下文目标跟踪算法 |
4.1.1 空间上下文模型 |
4.1.2 时空上下文目标跟踪策略 |
4.1.3 实验结果分析 |
4.2 融合Kalman滤波的时空上下文算法 |
4.2.1 遮挡判别策略 |
4.2.2 轨迹预测算法 |
4.2.3 改进的STC目标跟踪算法 |
4.2.4 实验结果及分析 |
4.3 评价指标 |
4.4 本章小结 |
5 基于嵌入式框架的目标探测跟踪技术 |
5.1 DM6446 软件架构及开发环境搭建 |
5.1.1 软件架构 |
5.1.2 系统开发环境搭建 |
5.1.3 软件开发流程 |
5.2 STC算法Codec包封装及生成 |
5.2.1 STC算法库封装 |
5.2.2 配置生成Codec Package |
5.3 配置并生成DSP服务器 |
5.3.1 DSP服务器和DSP/BIOS配置 |
5.3.2 生成DSP Server |
5.4 ARM端应用程序开发 |
5.4.1 配置集成Engine |
5.4.2 应用程序多线程设计 |
5.5 实验搭建及结果分析 |
5.5.1 实验环境搭建 |
5.5.2 实验结果及分析 |
5.6 本章小结 |
6 结论 |
6.1 结论 |
6.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文 |
致谢 |
(6)基于FPGA的实时机器人视觉系统研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究的目的与意义 |
1.2 研究现状及发展趋势 |
1.2.1 机器人视觉技术 |
1.2.2 机器人视觉常用算法 |
1.2.3 机器人视觉系统 |
1.3 主要研究内容及安排 |
第二章 实时机器人视觉系统 |
2.1 主要器件选型 |
2.2 图像数据高速获取与传输 |
2.2.1 图像数据高速获取 |
2.2.2 图像数据传输 |
2.3 实时机器人视觉系统硬件设计 |
2.3.1 高速机器人视觉系统 |
2.3.2 全景机器人视觉系统 |
2.4 本章小结 |
第三章 基于FPGA硬件架构的图像预处理算法实时实现 |
3.1 硬件化图像处理 |
3.1.1 流水线图像处理架构 |
3.1.2 设计难点 |
3.1.3 设计原则 |
3.2 图像预处理算法的实时实现 |
3.2.1 基于FPGA的成像畸变矫正算法 |
3.2.2 基于FPGA的图像滤波算法 |
3.2.3 基于FPGA的HSV颜色空间转换 |
3.3 基于HSV颜色特征的CamShift追踪实验 |
3.4 本章小结 |
第四章 目标特征检测算法的FPGA并行加速方法 |
4.1 基于FPGA的边缘特征提取 |
4.1.1 基于FPGA的SCBEL边缘提取 |
4.2 基于FPGA的Harris角点检测 |
4.2.1 Harris角点检测的FPGA实现 |
4.2.2 基于角点特征的静态目标追踪实验 |
4.3 基于FPGA的SIFT特征提取 |
4.3.1 SIFT特征提取 |
4.3.2 基于FPGA的全景图像拼接 |
4.3.3 性能比较 |
4.4 本章小结 |
第五章 实时机器人视觉系统应用研究 |
5.1 高速目标追踪算法及实现 |
5.1.1 图像预处理 |
5.2 基于多特征的目标识别 |
5.2.1 基于HU特征矩的特征描述符 |
5.2.2 几何特征和运动特征描述符 |
5.3 基于视觉伺服的目标追踪 |
5.4 飞行高尔夫球追踪实验 |
5.5 本章小结 |
总结与展望 |
参考文献 |
攻读学位期间发表论文与研究成果清单 |
致谢 |
作者简介 |
(8)基于全方位视觉的移动机器人动态目标识别与导航研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1-1 课题研究的背景与意义 |
1-2 全方位视觉感知系统研究现状 |
1-2-1 全方位视觉的特点 |
1-2-2 全方位视觉的主要实现方式 |
1-2-3 全方位视觉国内外研究现状 |
1-3 移动机器人动态目标识别技术 |
1-3-1 动态目标识别的常用方法 |
1-3-2 光流法的国内外研究现状 |
1-4 移动机器人动态目标定位跟踪技术 |
1-4-1 动态目标定位跟踪常用方法 |
1-4-2 粒子滤波的发展及研究现状 |
1-4-3 陆标定位技术的研究现状 |
1-5 本文主要研究内容 |
第二章 移动机器人系统设计 |
2-1 移动平台机械结构设计 |
2-1-1 设计总体概述 |
2-1-2 主要机械结构设计 |
2-2 机器人传感系统设计 |
2-2-1 PSD传感器 |
2-2-2 电子罗盘 |
2-2-3 温度传感器 |
2-2-4 光电编码器 |
2-3 基于鱼眼镜头的全方位视觉系统 |
2-4 本章小结 |
第三章 基于双DSP的全方位视觉图像伺服组件开发 |
3-1 系统总体方案设计与构成分析 |
3-2 图像与视频信息的获取与表示 |
3-2-1 模拟电视信号 |
3-2-2 模拟电视信号的标准 |
3-2-3 模拟视频信号类型 |
3-2-4 数字视频标准 |
3-3 视觉图像伺服组件系统硬件体系结构 |
3-3-1 系统硬件体系结构 |
3-3-2 图像处理芯片选型 |
3-3-3 视频芯片的选型 |
3-4 全方位视觉图像伺服组件硬件设计 |
3-4-1 硬件系统结构与规划 |
3-4-2 核心板设计 |
3-5 系统软件设计 |
3-6 本章小结 |
第四章 嵌入式移动机器人导航控制器的设计 |
4-1 嵌入式移动机器人导航控制器硬件设计与开发 |
4-1-1 移动机器人嵌入式控制系统的结构设计 |
4-1-2 ARM9 S3C2440 嵌入式处理器 |
4-1-3 嵌入式车载导航器核心板设计 |
4-1-4 双DSP+ARM三核全方位视觉图像伺服导航器控制系统扩展底板设计 |
4-1-5 控制系统电源设计 |
4-2 嵌入式车载导航器软件开发技术 |
4-2-1 Windows CE开发平台Platform Builder |
4-2-2 定制基于S3C2440 的操作系统平台 |
4-3 控制系统的驱动开发 |
4-3-1 设备驱动程序开发 |
4-3-2 PWM驱动程序开发 |
4-3-3 中断处理机制 |
4-4 应用程序开发 |
4-4-1 开发环境Embedded Visual C++ |
4-4-2 应用程序开发的注意点 |
4-4-3 驱动程序与应用程序的通信 |
4-4-4 实验运行结果 |
4-5 本章小结 |
第五章 基于全方位视觉的陆标定位、导航及机动目标探测与跟踪 |
5-1 鱼眼镜头图像的校正 |
5-1-1 鱼眼镜头的立方体的透视投影 |
5-1-2 鱼眼镜头的立方体矫正算法 |
5-1-3 鱼眼图像的矫正系统 |
5-2 光流-粒子复合识别跟踪 |
5-2-1 基于光流法的移动机器人目标识别 |
5-2-2 基于粒子滤波的移动机器人目标跟踪 |
5-2-3 光流-粒子复合识别跟踪算法 |
5-3 移动机器人系统设计及实现 |
5-3-1 移动机器人平台 |
5-3-2 机器人控制原理 |
5-3-3 系统框图 |
5-4 基于全方位视觉的目标探测与导航实验研究 |
5-4-1 实验场景 |
5-4-2 实验方案 |
5-4-3 实验结果与分析 |
5-5 本章小结 |
第六章 结论与展望 |
6-1 结论 |
6-2 展望 |
参考文献 |
致谢 |
攻读博士学位期间所取得的科研成果 |
(9)基于DSP的实时视频跟踪系统的设计(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题背景及研究意义 |
1.2 研究现状及未来发展 |
1.3 论文的研究工作及组织结构 |
1.3.1 论文研究工作 |
1.3.2 论文组织结构 |
1.4 本章小结 |
第二章 系统硬件开发平台的设计 |
2.1 DSP电路模块 |
2.1.1 核心处理器的选择 |
2.1.2 DSP芯片的特点 |
2.1.3 DSP芯片的选型 |
2.1.4 DSP电路设计 |
2.2 系统电源电路模块 |
2.2.1 电源电路设计 |
2.2.2 系统复位及电源监控电路设计 |
2.3 外部存储器设备模块 |
2.3.1 Flash电路设计 |
2.3.2 SDRAM电路设计 |
2.3.3 SRAM电路设计 |
2.4 可编程器件模块 |
2.5 视频解码模块 |
2.6 视频编码模块 |
2.7 硬件开发板实现 |
2.8 本章小结 |
第三章 FPGA功能模块设计 |
3.1 FPGA内部模块结构 |
3.2 FIFO模块设计 |
3.3 本章小结 |
第四章 视频采集、显示设备驱动程序设计 |
4.1 设备驱动模型 |
4.2 视频解码芯片SAA7115 驱动程序设计 |
4.2.1 解码芯片初始化 |
4.2.2 解码芯片配置 |
4.2.3 视频采集流程 |
4.3 视频编码芯片SAA7105 驱动程序设计 |
4.3.1 编码芯片初始化 |
4.3.2 编码芯片配置 |
4.4 本章小结 |
第五章 视频运动目标识别与跟踪验证 |
5.1 图像预处理 |
5.1.1 图像滤波 |
5.1.2 数学形态学处理 |
5.2 运动目标的检测 |
5.3 图像分割 |
5.4 特征提取和匹配 |
5.4.1 边缘检测 |
5.4.2 特征匹配方法 |
5.5 运动目标的跟踪 |
5.6 本章小结 |
第六章 总结与改进 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(10)数字视频监控系统的智能化实现(论文提纲范文)
0 引 言 |
1 运动目标自动识别与跟踪系统实现方案分析 |
1.1基于PC机实现运动目标自动识别与跟踪方案 |
1.2基于DSP+FPGA双处理器实现运动目标自动识别与跟踪方案 |
1.3基于双DSP实现运动目标自动识别与跟踪方案 |
1.4基于单片DSP实现运动目标自动识别与跟踪方案 |
2 视频监控系统智能化的实现 |
2.1四种运动目标自动识别与跟踪系统比较 |
2.2视频监控系统智能化的实现 |
3 结束语 |
四、基于DSP的运动目标识别与跟踪的系统设计(论文参考文献)
- [1]线列红外成像系统目标检测关键技术研究[D]. 楼晨风. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [2]基于DSP的红外车辆目标识别与跟踪系统设计[D]. 李大珍. 西安电子科技大学, 2020(05)
- [3]基于FPGA的目标识别与跟踪系统设计[D]. 余田椿. 长江大学, 2020(02)
- [4]复杂背景下反无人机的智能光电搜索跟踪技术研究[D]. 林俤. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020(06)
- [5]反无人机系统中目标探测跟踪技术研究[D]. 任永平. 西安工业大学, 2019(03)
- [6]基于FPGA的实时机器人视觉系统研究[D]. 吕聪奕. 北京理工大学, 2017(03)
- [7]DSP技术实践课程的项目设计及教学应用[J]. 陈芬,彭宗举,王晓东,严迪群. 中国电力教育, 2014(02)
- [8]基于全方位视觉的移动机器人动态目标识别与导航研究[D]. 苑光明. 河北工业大学, 2010(04)
- [9]基于DSP的实时视频跟踪系统的设计[D]. 张奇山. 国防科学技术大学, 2010(05)
- [10]数字视频监控系统的智能化实现[J]. 乔彩风,宋世军,何忠. 计算机与现代化, 2007(12)