全文总字数：6733字

1. 研究目的与意义（文献综述）

1.1设计目的

当前时代处于飞速发展的信息时代，随着人工智能的普及，计算机视觉成为了重要研究领域。近年来，目标检测与识别技术广泛应用于人类的交通、物流和安防等方面，由于应用场景对于计算资源的要求较高，基于嵌入式平台的目标监测与识别技术愈发收到重视。

根据拍摄设备与拍摄背景之间是否存在相对运动，可以把运动目标检测的问题分成静态背景目标检测与动态背景目标检测两种。当前，静态背景下运动目标检测算法如边缘检测法、阈值法、基于区域的目标检测法等在部分领域已经成熟，而动态背景下的检测仍然存在一定的误差，因此需要对复杂地面背景下的可移动目标领域进行深入的研究，在检测实时性和精度之间寻求达到平衡，提升复杂背景下可移动目标的检测精度和鲁棒性，设计出适应性更好的目标检测算法。

由于拍摄设备应用场景的局限性，计算资源不足，嵌入式平台下的资源分配与算法部署成为了工业界的研发重点，因此，需要在满足嵌入式资源预算的前提下，尽可能提高算法的精确度与处理速度。

2. 研究的基本内容与方案

2.1 研究内容

通常，目标检测（object detection）主要做的工作是给定一幅输入的图像，识别图像中有哪些物体或者哪些类别，并标记出这个物体或者这个类别在图像表示的场景中的位置。对一个输入的图像进行目标检测，首先需要判断目标有没有，如果图像中不存在目标，则检测和识别结束；如果存在目标，则需要进一步判断有几个目标，计算目标分别所在的位置。

目标检测算法的发展大概经过了三十年左右，包括了传统的基于滑动窗口手工提取特征的目标检测方法和基于深度学习的目标检测算法。传统的目标检测技术大多是采用多个滑动窗口扫描法，然后人工提取窗口特征，对特征进行分类；而基于深度学习的物体识别和检测系统，主要是采取卷积神经网络提取特征，达到自动提取特征的效果。目标检测算法发展至今，我们试图寻找一种算法既能达到较快的检测速度又能在复杂背景下达到非常高的检测精度，本文就目前检测速度较快的yolo算法进行分析与改进，主要研究内容如下：

构建数据集，使用yolo网络针对某个应用领域训练检测模型。

3. 研究计划与安排

第4周：完成论文第一、二章（研究背景及意义，算法介绍）；

第5周：学习嵌入式平台目标检测识别算法框架构建；

第6周：完成嵌入式平台目标检测识别算法框架构建；

4. 参考文献（12篇以上）

[1] bertinetto l , valmadre j , henriques, joo f, et al. fully-convolutional siamese networks for object tracking[j]. 2016.

[2] valmadre j , bertinetto l , henriques, joo f, et al. end-to-end representation learning for correlation filter based tracking[j]. 2017.

[3] ren s, he k, girshick r, et al. faster r-cnn: towards real-time object detection with region proposal networks[c]//advances in neural information processing systems. 2015: 91-99.