1. 研究目的与意义（文献综述）

近年来，随着人工智能技术的迅速发展，传统汽车行业与信息技术结合，在汽车自动驾驶技术方面的研究取得了长足进步，业内很多大公司都在此领域投入巨资进行研发，如国外的谷歌、丰田，国内的百度、比亚迪等公司都推出了自动驾驶汽车，且实验结果令人满意。目前，主流自动驾驶技术都基于视频分析。

基于统计学习的行人检测主要包含基于生成式模型（局部）的检测方法和基于特征分类（整体）的检测算法：

1）基于生成模型的检测方法，通常采用局部特征或者肢体模型来描述局部属性，结合局部特征的空间结构特性或分布模型进行分类；

2. 研究的基本内容与方案

交通场景下捕捉到的视频序列中包含各种不同视频目标，如行人、汽车、路面、障碍物、背景中的各种物体等，算法需要在测试图像中对感兴趣类别的目标对象进行跟踪，提取出目标的运动轨迹用来提供给车辆控制系统作为决策依据。本文重点研究了基于行人检测的在线多目标跟踪方法，即对每一帧图像检测其中感兴趣的运动目标，并将连续帧中的目标一一对应，从而给出各个目标的连续运动轨迹。

其中，如何将连续帧的目标检测结果实现数据关联是本文的基本研究内容。本文旨在改进目前数据关联方法，其主要问题有：1）假设模型输入是完整的视频序列，在数据关联时使用全局信息，因此对应着高昂的计算成本，实时性差；2）视频尺度适应性差，算法局限性高，泛化能力低。针对这些问题，本文对多帧图像数据关联问题进行建模，在有限的空间及计算性能约束下，改进方法的鲁棒性和实时性，实现对视频中的目标在线跟踪。

最后，本文在主流的公开数据集上对算法进行验证，并计算mota、motp、iou等具有重要参考价值的性能指标，与现有的跟踪算法比较。

3. 研究计划与安排

1（8 学期第1周）方案构思、文献检索、完成开题报告。

3～4（8学期第2-3周）外文翻译、资料再收集。

5～7（8学期第4-6周）设计计算、草图绘制。

4. 参考文献（12篇以上）

[1] luo w, xing j, zhang x, et al.multiple object tracking: a literature review[j]. eprint arxiv, 2015.

[2] possegger h, mauthner t, roth pm, et al. occlusion geodesics for online multi-object tracking[c]// ieeeconference on computer vision and pattern recognition. ieee computer society, 2014:1306-1313.

[3] redmon j, divvala s, girshick r,et al. you only look once: unified, real-time object detection[c]// computervision and pattern recognition. ieee, 2016:779-788.