1. 研究目的与意义（文献综述）

本项目的研发将立足于当前计算机视觉研究的最新成果，使用长江中比较繁忙的航道的数据，以江苏仪征市采集的视频数据进行训练和测试，依此打造出一个能够做到准确识别分类船只并实现在线实时跟踪的的系统。

整个系统最终将只是作为更大的航道管理系统的一个模块，因此将不会特别设计用户交互部分，但会提供api与其它模块交互。

因此，本系统需要极强的准确率和适应性，能够满足绝大部分航道顿号气象环境和船舶流量条件下的识别跟踪工作。

2. 研究的基本内容与方案

见附件

3. 研究计划与安排

（1） 2019/1/22—2019/2/15：明确选题，查阅相关文献；
（2） 2019/2/16—2019/2/28：进一步阅读文献，外文翻译，分析和总结，撰写开题报告；
（3） 2019/3/1—2019/3/15：数据标记
（4） 2019/3/16—2019/4/30：实现算法，训练模型，实现演示程序和API
（4） 2019/5/1—2019/5/25：撰写论文初稿；修改论文，定稿并提交论文评审；
（5） 2019/5/26—2019/6/6：准备论文答辩。

4. 参考文献（12篇以上）

[1] 张宏慧. 基于深度学习的复杂交通视频的多目标跟踪[D]. 北京交通大学，2018.
[2] 李月峰. 基于深度学习的复杂背景下船舶跟踪方法研究[D]. 长沙理工大学，2017.
[3] 彭艳. 时空上下文融合的无人艇海面目标跟踪[J]. 中国科学技术科学， 2018.48(12)：1357-1372.
[5] 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, 23(8)：1091-1107.
[6] 王国坤. 复杂背景下基于深度学习的单目标跟踪算法研究[D]. 中国科学技术大学，2018.
[7] 陈泽创. 船舶检测跟踪与分类算法研究及其系统实现[D]. 华南理工大学，2018.
[8] Bertinetto, Luca, et al. Fully-convolutional siamese networks for object tracking. European conference on computer vision. Springer, Cham, 2016:1-16.
[9] 李蓝星. 基于深度学习的目标跟踪算法研究[D]. 哈尔滨工业大学，2018.
[10] 曾璟. 基于深度学习框架的运动目标物体检测方法研究[D]. 南昌大学，2017.
[11] Nam, Hyeonseob, Bohyung Han. Learning multi-domain convolutional neural networks for visual tracking. IEEE Conference on Computer Vision and Pattern Recognition. 2016:4293-4301.
[12] Schulter S, Vernaza P, Choi W. Deep Network Flow for Multi-Object Tracking[J].Computer Vision Foundation, 2017:6591-6601.
[13] Christoph Feichtenhofer, Axel Pinz, Andrew Zisserman. Detect to Track and Track to Detect. arXiv preprint arXiv:1710.03958, 2017.
[14] Daniel Gordon, Ali Farhadi, Dieter Fox. Re3: Real-Time Recurrent
Regression Networks for Visual Tracking of Generic Objects. arXiv preprint arXiv:1705.06368, 2017.
[15] Anton Milan, et al. Online Multi-Target Tracking Using Recurrent Neural Networks. arXiv preprint arXiv:1604.03635, 2016.