基于深度学习的多目标跟踪方法开题报告

 2020-02-10 11:02

1. 研究目的与意义(文献综述)

1.1 目的及意义

目标跟踪作为计算机视觉领域的重要领域之一,一直受到海内外学者的关注,在车辆定位、智能识别、视频监控等方面都有广泛的应用。

随之一些先进的概念以及技术被陆续提出,部分目标跟踪领域里的难题得到了解决,拥有了一定的科研成果。但目标跟踪在现实应用中依然遭遇着巨大挑战,如遮挡、光线变化、尺寸变化以及姿态变化等,这些情况出现时往往会丢失目标,无法进行持续有效的跟踪,不符合实际对鲁棒性、实时性和准确性的需求。

本课题的目的即基于深度学习实现一个健壮的、通用的多目标跟踪系统。

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. 研究的基本内容与方案

2.1 研究(设计)的基本内容

本课题研究多个目标的跟踪问题。在跟踪过程中对目标的跟踪依赖特定的先验知识,传统的先验知识可以采用手工设计特征的形式。我们可以基于浅卷积神经网络对目标进行快速分类,将学习限制在单层,实现训练速度快并且实现复杂性低的效果。我们将先验知识的使用从检测和跟踪阶段转移到识别分类上,从而实现一个健壮的、通用的多目标跟踪方法。

2.2 目标

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. 研究计划与安排

  1. 第一周至第七周,确定选题,查阅文献,外文翻译和撰写开题报告。

  2. 第八周至第十六周,查阅文献,系统架构、设计与开发,系统测试与完善。

  3. 第十七周至第二十一周,撰写及修改毕业论文。

    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(12篇以上)

    1. 高君宇, 杨小汕, 张天柱, et al. 基于深度学习的鲁棒性视觉跟踪方法[j]. 计算机学报, 2016, 39(7):1419-1434.

    2. x mei, h ling, y wu, e blasch. minimum error bounded efficient #8467; 1 tracker with occlusion detection[j]. computer vision amp; pattern recognition , 2011 :1257-1264.

    3. xue mei, haibin ling, yi wu, blasch, e. p., amp; li bai. (2013). efficient minimum error bounded particle resampling l1 tracker with occlusion detection[j]. ieee transactions on image processing, 22(7), 2661–2675.

      剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。