1. 研究目的与意义（文献综述）

1.1 目的及意义

现阶段，随着硬件设施的不断完善和人工智能领域的快速发展，运动目标跟踪技术越来越重要。目标跟踪在现实生活中有很多应用，包括交通视频监控、运动员比赛分析、智能人机交互、跟踪系统的设计等。在计算机视觉领域，基于视频的目标跟踪技术一直都是研究的要点和难点。它基本的流程是：通过在视频初始帧给定的目标检测框得到所要跟踪的目标，然后通过一系列视觉方法得到目标的特征，并在接下来的视频帧中成功定位到该目标，从而得到目标运动的速度、轨迹和方向等信息，进一步应用在各个领域上去。

不同于目标检测，由于基于视频的目标跟踪中常会遇到场景复杂，种类繁多并且多变，影响参数过多，以及由物体本身运动特性产生的遮挡、形变、位置急剧变化等情况。因此，如何找到一种行之有效的方法，使其能够具有足够的鲁棒性处理以上可能存在的各种复杂情况成为了当下亟待解决的问题。

2. 研究的基本内容与方案

本文以深度学习中的深层网络知识为基础背景，研究基于视频序列的单目标跟踪算法，拟基于Matlab或Python编程环境下实现。此目标跟踪算法的任务是：在视频序列帧的初始帧，以矩形框的形式人工选取跟踪目标，在后续视频中即使目标会出现多种变化，仍能可以定位到目标的位置。

本文拟设计基于卷积神经网络的目标跟踪算法，需构建CNN深度网络提取目标特征，使全连接层与softmax层相连作为分类器。为提高在线特征提取效率，首先对卷积神经网络模型中的特征提取层进行离线预训练，得到训练好的网络参数。

在线跟踪时，对视频序列初始帧的目标进行人工选取后，得到正负样本输入卷积网络，利用一系列的卷积层进行特征提取，将最后提取出的特征图像拉成一个列向量传至全连接层，通过回归得到预测的当前的目标位置，即为预测候选目标样本；为了防止跟踪目标的漂移，需要一个“置信度”来判断预测的目标结果是否可信，softmax 层中输出预测候选样本为目标的概率值，可得到置信度来用于提升算法的跟踪性能。同时，为了提高算法的鲁棒性，拟考虑基于可信的预测样本，使用梯度下降法实现对全连接层和 softmax 层参数的在线自适应更新。

3. 研究计划与安排

第1周-第3周 收集资料，查阅文献，撰写开题报告；

第4周-第6周 进行环境搭建，掌握基本理论知识，熟悉开发环境；

第7周-第12周 分步实施，实现算法，改进及分析，撰写论文初稿；

4. 参考文献（12篇以上）

[1]陈旭,孟朝晖.基于深度学习的目标视频跟踪算法综述[j].计算机系统应用,2019,28(01):1-9.

[2]孟琭,杨旭.目标跟踪算法综述[j].自动化学报:1-15[2019-03-01].

[3]胡昭华,钮梦宇,邵晓雯,卞飞飞,王珏.多层深度特征的目标跟踪算法研究[j].现代电子技术,2019,42(01):51-56.