1. 研究目的与意义（文献综述）

运动目标检测与识别的主要任务是验证并分析视频或图像序列中是否存在相对于背景运动的对象，同时尽可能地将运动对象精确地定位并分类。复杂地面背景下运动目标的检测与识别技术在航空侦察、救灾勘探、交通监控等领域都有着广泛的应用。

在军事领域，勘察使用的无人机机动灵活、勘察范围广，可以在短时间内同时发现多个目标，并对其进行检测与识别，传输情报信息[1]。军事打击上，以精确制导导弹为代表的各种精确制导武器在现代战场中发挥了越来越强大的威力。特别地，在制导领域中，人工制导对工作人员要求高，激光制导在近距离误差较大，基于红外图像的制导方式在末制导领域发挥着重要的功能，然而导弹运动速度快，背景变化范围大，地面背景复杂，给技术人员带来了不小的挑战[2]。在民用领域，随着社会治安要求的迅速提高，智能监控系统成为人们的迫切需要，在公共场合中，往往需要对出入人数进行统计以控制人流量从而防止事故的发生，或是需要对场景中的疑似危险对象进行检测与识别从而及时排除安全隐患。随着智能交通系统的引入，需要对道路视频分析以提供导航建议，疏导交通。运动目标检测是以上应用的重要的保障。

除上述应用领域以外，运动目标检测与识别还被应用于视频压缩、医学影像诊断等多个方面，具有重要的现实意义和实用价值。

2. 研究的基本内容与方案

为解决复杂背景下实时检测的需要，本文结合运动补偿帧差法[4]与深度学习算法检测识别运动目标。第一步：图像配准。提取相邻帧的特征点并配准，筛选质量较高的配准点对，估计出全局运动参数，将前一帧变换到后一帧的坐标系下使得两帧背景对齐；第二步：帧间差分法。将背景对齐后，相邻两帧图像作差分运算，获取运动目标轮廓；第三步：使用lenet网络对疑似目标进行分类识别。

图像配准

文中提取整个图像的特征点是图像配准的基础与关键，大量特征点漏检、错检将导致配准失败从而影响目标检测识别的准确性。sift特征点算法因具有平移、缩放和旋转不变性而被广泛应用，surf特征点算法使用大小不同的box进行滤波，代替了sift中金字塔的构建，并通过积分图进行加速，由此得到比 sift 更快的检测速度[5]。但在实时目标检测中，因为复杂背景的特征点多，嵌入式平台的运算能力限制，如果继续采用surf和sift特征点算法来进行图像配准，检测速度无法达到实时要求，因此我们需要一种更快更有效的特征点算法来进行图像检测。

3. 研究计划与安排

2019.02-2019.03 查阅相关资料、撰写开题报告、翻译英文资料；

2019.03-2019.04完成对可移动目标检测识别算法研究；

4. 参考文献（12篇以上）

[1] 李大维. 机载平台下运动目标检测与跟踪技术研究[d]. 2018.

[2] 复杂地面背景下目标检测算法研究[d]. 西安电子科技大学, 2018.

[3] 杨啸. 复杂背景红外运动小目标检测与跟踪技术[d].