全文总字数：1644字

1. 研究目的与意义及国内外研究现状

随着现代通信技术和计算机技术的迅速发展，近年来目标检测系统在蓬勃发展。随着计算机视觉系统技术的发展以及摄像机、图像存储设备成本的下降，目标检测系统的运用越来越广泛，无论在交通运输、军事、保安、居家安全上都有普遍的运用。基于图像序列的目标检测和跟踪是计算机视觉领域两个比较活跃的课题，也是许多基于视觉的应用需要解决的关键问题。准确的检测与跟踪是有效的进行识别与决策的前提，是高级视觉系统的基础。目标检测技术在智能监控、人机交互、辅助驾驶、车辆跟踪、智能看护等应用中起着重要的作用。

国内外研究现状

在国外，目标检测经历了由人工设计特征到算法自动设计并提取特征的程。2010年，Dalai等利用人工设计的方向梯度直方图特征，训练出来多视角的可变形的检测模型，虽然有效的提高了检测精度，但仍然存在计算复杂，对小目标鲁棒性不强等问题。2012年，卷积神经网络在全球图像分类比赛中得到最优的成绩，因此卷积神经网络自适应的提取图像特征受到重视，卷积神经网络通过反向传播算法进行网络参数的更新，通过自适应的调整不同特征的权重有效的组合特征，得到鲁棒性更好的高层特征。

在国内的研究机构中，中国科学院北京自动化研究所下属的模式识别国家重点实验室视觉监控研究处于领先地位。他们在交通场景视觉监控、人的运动视觉监控和行为模式识别方面进行了深入研究。另外他们也总结了英国雷丁大学VIEWS的车辆交通监控原型系统的研究经验，在之前的理论研究的基础上，自行设计并初步实现了一个拥有完全自主知识产权的交通监控原型系统vstart。国内其他高校如上海交通大学、北京航空航天大学也对这方面进行了研究。

2. 研究的基本内容

深度学习：研究深度学习的背景知识，包括深度学习的概念，以及典型的常用的深度学习模型。

卷积神经网络：研究卷积神经网络的基本原理，组成和连接方式。

基于深度特征的目标检测：研究基于现有的卷积神经网络模型alexnet，通过迁移学习，获得深度特征提取器，提取特征训练多组件的可变形部件模型，对不同类目标的多样姿态进行检测。

3. 实施方案、进度安排及预期效果

2017.12.08~2017.12.20：收集相关资料，根据自身掌握程度，确定选题。

2017.12.20~2018.1.19：查阅文献资料，熟悉深度学习的原理，撰写开题报告和任务书。

2018.1.19~2018.4.15：标注相关数据，对数据模型进行训练和测试，学习mfc相关编程，并初步设计界面。

4. 参考文献

[1]iangoodfellow, yoshua bengio, aaron courville. 深度学习[m]. 张志华，译. 2版. 北京：人民邮电出版社，2017.

[2]vincentdumoulin, francesco visin. a guide to convolution arithmetic for deeplearning[j]. 2016.

[3]jakebouvrie. notes on convolutional neural networks[j]. 2006.