1. 研究目的与意义
视觉一直是人类最重要的感觉之一，更是人类感知环境信息最直接最明晰的手段。然而，尽管人类大脑有着众多的神经网络，可以精准的处理各种视觉信息，但是由于人类生物体的局限性，在某些特殊环境中，为了减轻工作人员的数量和工作量或者实现其他用途，用人工智能代替人类智能则是必不可少的。计算机视觉研究的目标是实现计算机对外界环境的感知和理解，进而实现计算机对人类视觉神经的仿真。而运动目标跟踪则是近年来计算机视觉领域的一个非常活跃的分支，目前已广泛用于视频监控、虚拟现实、人机交互、机器人视觉导航、行星探测等领域[1]。
从上世纪50年代，目标跟踪起源到现在，尽管国内外视觉目标跟踪技术已取得长足的进步[2]，但是在复杂条件下实现实时准确的跟踪依旧难以实现，因为对于运动目标而言，不仅其运动的场景非常复杂并且经常发生变化，而且目标本身也会不断变化。目标跟踪面临的主要挑战有：尺度变化、遮挡、形变、背景杂乱[1]。当然除了上述几个常见的挑战外，还有一些其他的挑战性因素：光照、低分辨率、运动模糊、快速运动、超出视野、旋转等[1]，目标跟踪算法的研究也围绕着解决这些变化和具体的应用展开。
2010年前，目标跟踪领域大部分采用一些经典的跟踪方法[2]，比如 meanshift、particle filter 和、kalman filter以及基于特征点的光流算法等。但是这些经典方法无法处理和适应复杂的跟踪变化[2]，如meanshift算法由于需要进行目标区域的搜索，导致无法解决遮挡问题，光流法则是只适用于背景静止的序列，这些方法在cf和深度学习跟踪方法出现后大多被舍弃。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
2. 研究内容和预期目标
2.1 主要研究内容：
运动目标跟踪分为单目标跟踪和多目标跟踪，本文是做基于深度学习的单目标跟踪，具体内容：
（1）学习opencv中的目标跟踪算法，分别为mil，kcf，csrt和goturn；
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
3. 研究的方法与步骤
本课题需要完成4种跟踪算法，实现对运动目标的追踪，其中着重研究基于深度学习的算法goturn。
mil，kcf，csrt这3种算法由于均不是属于深度学习的算法，故而本文不对其做深度的研究，而且opencv3.4.2以上的版本自带这些跟踪算法，集成在opencv_contrib库中，设计完相关代码，可以直接调用相关的追踪器函数，一次性实现3种不同类型的跟踪。这3种算法主要是用于与深度学习算法对照，不必研究其的具体算法设计，直接使用函数即可。
3.1三种对照算法大致思路：
mil tracker：mil 算法基于boosting的思想。boosting tracker 即集成学习跟踪器，一般结构是：先产生一组弱的“个体学习机器”，再用某种策略将他们结合起来，形成一个强的学习机器。boosting tracker采用的是一种迭代的策略，给定一个弱的学习算法和训练子集（以用户提供的初始化框为正例，边框外的图像块作为负例），在训练集的不同子集上，多次调用弱的学习算法，通过加权方式联合起来得到最终的学习结果。mil与boosting的最大区别是，它同时以对象的初始化框位置和当前位置的邻域为正例，效果好于boosting tracker。
kcf tracker：属于基于相关滤波（cf）的跟踪器。kcf 的思想源于moose，moose是目标跟踪领域第一种相关滤波类方法，日后的基于相关滤波的跟踪器，基本上都是根据 moose 算法改进的。相关滤波，即找到一个滤波模版 h，与输入图像 f 求相关性，得到相关图 g，并通过卷积定理将复杂的互相关运算转化为点乘。整体数学表达式为：，其中就是要求的滤波器，mosse 提出的就是最小化平方和误差，针对m个样本求最小二乘，得到，同时还为这个滤波模版设计了一个在线更新的算法。kcf 在moose 的基础上，对样本的稀疏采样造成的样本冗余问题进行了改进，通过目标样本的循环移位代替采样窗口，得到训练样本，同时运用了核函数的技巧对模型进行了改进。
csrt：即csr-dcf 跟踪器，同属于基于相关滤波的跟踪器，它给 cf 加上了空域限制：给滤波器加mask矩阵（mask的思路可以粗略理解为用先验概率图与似然概率图进行的某种图像卷积）用于抑制边界效应，最终实现了对不规则形状的物体的自适应，实现了空域的可靠性；利用不同通道的响应图信息构建了不同通道的加权系数，权重由学习可靠性和检测可靠性乘积构成，实现了通道的可靠性。
3.2深度学习算法goturn
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
4. 参考文献
[1]葛宝义，左宪章，胡永江. 视觉目标跟踪方法研究综述[j]. 中国图象图形学报，2018.
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
5. 计划与进度安排
进度安排
（1）2022年12月01日 – 2022年02月20日：查阅资料，熟悉相关技术；
（2）2022年02月21日 – 2022年02月29日：完成开题报告初稿；
（3）2022年03月01日 – 2022年03月15日：深入研究相关算法，开题报告定稿；
（4）2022年03月16日 – 2022年04月30日：深入研究相关算法，进行仿真验证；
（5）2022年05月01日 – 2022年05月15日：完善相关实验结，撰写毕业论文；
（6）2022年05月16日 – 2022年06月05日：完善毕业论文，准备答辩。
剩余内容已隐藏，您需要先支付
10元 才能查看该篇文章全部内容！
立即支付
