1. 研究目的与意义
随着人工智能时代的到来，计算机视觉的地位也变得越来越重要。视频图像序列的目标跟踪是计算机视觉研究领域中最重要的研究方向之一，它的主要工作是对视频图像序列第一帧中给定的待跟踪目标进行特征提取并分析感兴趣区域；然后在后续视频序列中对相似的特征和感兴趣区域进行定位，以预测待跟踪目标下一帧的位置。它是计算机视觉技术的重要组成部分，是图像处理、模式识别、自动控制等诸多高科技领域的融合，在智能视频监控、机器人视觉导航、医学诊断、智慧交通、航天等多个领域都有广泛应用。作为计算机视觉领域的关键问题,目标跟踪算法可以绘制给定物体的轨迹信息,方便后续进行行为分析和异常检测。因此，作为计算机视觉领域的基础问题,目标跟踪技术研究具有重要的研究意义和价值。
在早期的模拟视频监控系统中，视频信号是通过同轴电缆传输，然后经由磁带录像存储，视频数据的采集、传输和存储都有较大的局限性。随着数字化和网络时代的到来，视频监控系统也进行了数字化升级，经过数字编码后的监控图像由网络传输至后台，并利用大容量硬盘进行存储，极大提升了视频数据的传输存储能力，但是面对着海量的视频监控数据，传统视频监控系统产生的监控数据采用人工处理的方法，处理速度慢，还容易造成疏漏，增加了不必要的时间成本和人力成本。智能视频监控系统引入了计算机视觉的相关技术，可以对目标进行目标检测、目标识别、目标跟踪以及行为分析等处理，便于信息存储和人员后期检索。
目标跟踪在服务机器人中有着很广泛的应用。自从谷歌无人驾驶汽车获得驾驶许可证后，无人驾驶汽车机器人的研究热潮开始爆发，特斯拉、大众等汽车巨头和百度、腾讯等互联网公司纷纷着手于自动驾驶研究。其他种类机器人如安防机器人、大厅服务机器人和家用机器人，也进入大众的视野。目前，机器人在地图定位导航方向已较为成熟，但是由于复杂的现实场景，机器人目标检测、跟踪仍处于研究阶段。在已有的机器人目标跟踪研究工作中，主要有声纳传感器、激光雷达的基于非视觉方法和双目摄像头、rgb-d 摄像头的基于视觉方法。 随着城市化的快速发展，交通拥堵、人口膨胀及公共安全等问题日益突出，为解决当前城市发展问题，实现可持续发展，目前各个国家都在着手建立新理念的智慧城市。智慧城市中关键技术大多涉及到目标跟踪技术，例如城市道路饱和度需要对车辆进行目标识别和跟踪，将道路数据上传至城市大脑；在社区中对人脸快速识别匹配身份并进行跟踪，发生意外事件时可以以图搜人、跟踪人员轨迹，实现智慧安防的效果。 除了以上所述的应用之外，视觉目标跟踪在航天航空、医疗诊断、国防军事等重要领域同样得到了科研工作者的广泛重视。
虽然视觉目标跟踪技术应用广泛，但是仍然受到遮挡、变形、背景杂乱和运动姿态等因素的影响，目标跟踪算法在实际场景下的准确性和鲁棒性仍然有较大的进步空间，是目前的研究难点与热点。
2. 研究内容和预期目标
本系统应当首先实现用户的注册登陆功能，对用户的行为进行学习和分析，判别专注行为和非专注行为并提醒用户。
实现对用户的强迫专注作用。
3. 国内外研究现状
（一）基于相关滤波的视觉目标跟踪方法相关滤波器的原理是两个相关信号的卷积响应大于不相关信号的卷积响应。在视觉目标跟踪中，滤波器对感兴趣的目标产生高响应，而对背景产生低响应。自 2010 年 Bolme等人提出误差最小平方和方法（Minimum Output Sum of Squared Error，MOSSE），首次将相关滤波引入到视觉目标跟踪领域，其运行速度高达 700 帧/s，这使得基于相关滤波的目标跟踪在视觉目标跟踪领域引起了相当大的关注。之后的 Henriques 等人在MOSSE 的基础上引入了核方法和岭回归，提出了基于核的循环结构检测跟踪算法（Circulant structure with Kernels，CSK），通过循环移位的方式来对数据样本密集采样，并使用傅里叶变换来对滤波器进行快速求解。陈等人[11]有效总结了相关滤波视觉跟踪方法的总体框架，如图 1-1 所示。近年来大部分的相关滤波跟踪方法都是基于这个框架，并在此基础上对其中的一部分进行改进或替换，例如特征改进、多尺度估计、减缓边界效应等方面。
4. 计划与进度安排
（一）研究目标
通过单目标视频跟踪系统的设计与实现使用户能够实现“自觉”专注，系统对用户的行为进行跟踪学习、分析判别行为，实现对用户所处状态进行到提醒作用。
（二）研究内容
5. 参考文献
[1] Gundogdu E, Alatan A A. Good Features to Correlate for Visual Tracking[J]. IEEE Transactions onImage Processing, 2018, 27(5): 2526-2540.[2] Shi J, Tomasi. Good Features to Track[C]. Proceedings of IEEE Conference on Computer Vision andPattern Recognition(CVPR). Seattle: CVPR, 1994. 593-600.[3] Comaniciu D, Ramesh V, Meer P. Real-Time Tracking of Non-Rigid Objects using Mean Shift[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR). Hilton Head:CVPR, 2000. 142-149.[4] Adam A, Rivlin E, Shimshoni I. Robust Fragments-based Tracking using the Integral Histogram[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR). New York:CVPR, 2006. 798-805.[5] Avidan S. Ensemble tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2007, 29(2): 261-271.[6] Li Y, Ai H, Yamashita T, et al. Tracking in Low Frame Rate Video: A Cascade Particle Filter withDiscriminative Observers of Different Life Spans[J]. IEEE Transactions on Pattern Analysis andMachine Intelligence, 2008, 30(10): 1728-1740.[7] Babenko B, Yang M, Belongie S. Visual Tracking with Online Multiple Instance Learning[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR). New York:CVPR, 2009. 983-990.[8] Ozuysal M, Calonder M, Draper B A, et al. Fast Keypoint Recognition Using Random Ferns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 32(3): 448-461.[9] Bolme D S, Beveridge J R, Shimshoni I. Visual Object Tracking using Adaptive CorrelationFilters[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR).San Francisco: CVPR, 2010. 2544-2550.[10] Henriques J F, Caseiro R, Martins P, et al. Exploiting the Circulant Structure of Tracking-by-Detection with Kernels[C]. Proceedings of the European Conference on Computer Vision(ECCV).Springer: Cham, 2012. 702-715.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
