全文总字数：4797字

1. 研究目的与意义及国内外研究现状

人们通过感官来获取外界信息。其中，眼睛接受的各类信息是人们所有感官接受信息的一半以上，而通过眼睛获取的信息是最丰富也是最直观的。但是，人们有限的视觉能力制约了图像处理与视频处理的发展。近年来，由于计算机科技水平的高速发展与图像视频处理任务的迫切需要，人工智能领域产生了计算机视觉（computer vision）这一个重要分支，计算机视觉研究的主要目标是使用计算机来模拟人们视觉的一些基本功能，如感知运动状态、场景理解、运动模式分析等等。在计算机视觉领域，目标检测（target detection）与目标跟踪（object tracking）是综合程度高且应用面十分广泛的先进技术。目标跟踪算法的任务通常是输入视频序列或帧图像，在视频序列帧的第一帧通过一个矩形框的形式给出需要跟踪的目标的情况下，对其后的每一帧图像中对跟踪目标的状态（一般包括位置、尺寸、形状等信息）进行稳健地估计，当目标在后续的帧图像中发生形变，遮挡以及背光强弱的变化时，此算法同样可以对目标位置进行定位与预测。由于深度学习和卷积神经网络的发展和进步，在视频及帧图像中对目标进行检测、分类和跟踪能力得到了极大的提高，由于目前大量的实际应用场景中都需要一个高鲁棒性的目标跟踪系统作为基础，且实现对环境中的物体进行检测、识别以及跟踪。理解其行为模式并做出合理的决策十分重要。由于卷积神经网络（cnn）特征提取能力的强大，近年来此算法已广泛用于目标跟踪领域。当前的主要应用包括：(1)无人驾驶的周围环境监测：智能驾驶中对环境的监测是进行后续路径规划和决策的前提，目标跟踪应用于基于机器视觉的红绿灯监测、障碍物监测、周围行人和车辆的动态跟踪、行车轨迹的预测等关键环节。(2)人机交互：传统人机交互是通过键盘键入和鼠标选择与计算机进行交流的，机器视觉的关键是使计算机具有识别和理解人的姿态、动作、手势等能力的目标跟踪技术。(3) 军事应用领域：在重要的高精尖的军事装备上，无人侦察机以及高精度的制导武器等军事装备，都需要高fps以及高精度的目标监测和跟踪。基于卷积神经网络（cnn）的目标跟踪方法现已超越传统目标跟踪方法, 成为了当前目标跟踪的主流方法。不过，尽管目标跟踪技术已经有很大的发展，并且在多个领域有较好应用，但是目标跟踪技术还面临着许多难题。这些问题主要包括目标形变、背景相似性与背景驳杂、目标遮挡、背光强度变化等等。因此，设计一种基于神经卷积网络的高准确率，高效率的目标跟踪算法具有重大意义。

国内外研究现状

卷积神经网络是一种为人熟知的深度学习架构，其网络设计与生物体的自然视觉感知机制相似。日本科学家 fukushima于1980年前后提出了一种层级化的多层人工神经网络——神经认知机（neocognitron）。神经认知机模型由多种类型的细胞单元组成，其中最重要的两种细胞单元称为“s型细胞”和“c型细胞”。s型细胞用于提取局部特征（如边缘或角等）；c 型细胞对 s型细胞的输入进行一些处理，如图像较小的位移或轻微变形等。1990 年，lecun等提出了现代cnn框架的原始版本之后，又对其进行了改进，于1998年提出了lenet-5网络结构，该结构允许卷积神经网络被端到端地训练并应用于文档识别。lenet-5结构是卷积神经网络（cnn）最经典的网络结构，在之后几年中出现的卷积神经网络新型结构都源于此版本。然而，虽然cnn经过极少的预处理就能够有效得提取原始图像特征从而使其能够识别视觉上面的规律。然而，由于当时缺乏大规模的训练数据，计算机的计算能力也跟不上，lenet-5 结构卷积神经网络对于复杂的帧图像处理效果并不理想。

自2006年以来，研究人员提出了很多方法来克服cnn在训练中所遇到的困难。其中最值得注意的是2012年krizhevsky等提出的一种与lenet-5类似但具有更深结构的cnn 架构———alexnet，该架构在ilsvrc2012图像分类任务中显著超越了之前的所有方法，一举夺得ilsvrc2012的冠军。

alexnet 取得成功后，研究人员又在其基础上提出了其他性能更优秀的方法，包括2013年提出的 zfnet算法 ,2014年提出的 vggnet算法 , googlenet算法和2015年提出的 resnet 这四种。

2. 研究的基本内容

1.传统的目标跟踪算法研究：主要研究了基于均值漂移（meanshift）的目标跟踪方法，基于卡尔曼滤波（kalman filter）的目标跟踪方法，基于粒子滤波（particle filter）的目标跟踪方法以及基于相关滤波（correlation filter）的目标跟踪方法2.卷积神经网络的基本构造：卷积神经网络通常是由输入层，输出层以及三种类型的隐藏层的互相交叉串联而组成。

这三种类型的隐层分别是卷积层，池化层和全连接层。

3.基于卷积神经网络的目标跟踪算法。

3. 实施方案、进度安排及预期效果

进度安排：

1. 2019年2月份及之前，查阅收集相关中英文资料以及文献，了解传统目标跟踪原理，研究不同目标跟踪算法并分析各个算法的优缺点。

2. 2019年2月份至3月份，熟悉matlab软件的使用，学习卷积神经网络的基本构造，学习卷积神经网络的前向传播算法与反向传播算法。

4. 参考文献

[1]a fast learning algorithm for deep belief nets[j] . geoffrey e. hinton,simon osindero,yee-whye teh.neural computation . 2006 (7)

[2]深度学习研究进展[j]. 郭丽丽,丁世飞.计算机科学. 2015(05)

[3]discriminative least squares regression for multiclass classification and feature selection.