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。

近年来，海内外研究学者关于目标跟踪算法方面取得了较大的进展，在重要国际期刊和顶级会议皆发表出了大量有关目标跟踪的科研论文。

文献[1]中，大多数传统的视觉跟踪算法可分为生成式和判别式。目前主流的生成型算法有核算法、稀疏表达等。部分算法可通过结合卡尔曼滤波、粒子滤波达到较好的跟踪效果。判别型算法主要有SVM、Boosting等。文献[2]、[3]为传统视觉跟踪方法。文献[4]提出传统的跟踪算法表观模型大部分由手工设计特征构建。但利用手工特征设计模板只能提取浅层特征，限制了算法的准确性和应对复杂变化的能力。

为此，众多学者尝试将深度学习加入进目标跟踪。深度学习是机器学习中重要的研究方向。在2010年之后开始有学者将其应用于目标跟踪领域。目前提出基于深度学习的目标跟踪算法并不算多。

文献[5]中，基于深度学习的跟踪算法大致可分为基于CNN的跟踪算法和基于SAE的跟踪算法，其中部分综合了AdaBoost等传统算法。其中大部分文献都是基于已训练成熟的深度网络提出相应的目标跟踪算法。文献[6]、[7]基于深度学习卷积神经网络对目标跟踪进行了设计。虽然基于深度学习的目标跟踪方法是近几年才出现的，但其比传统的跟踪方法有着更好的鲁棒性。

TensorFlow是近年最流行的应用于深度学习的神经网络架构之一。文献[8]、[9]使用TensorFflow实现了对图像识别。文献[10]使用TensorFlow以及OpenCV设计了TensorFflow平台下的目标跟踪深度学习的模型。

文献[11]使用浅层神经网络实现了图像的分类。文献[12]、[13]实现了先验知识在深度学习的使用。文献[14]为最近最先进的多目标跟踪器。在[11]-[14]等概念与技术基础上，文献[15]中Wong提出了将先验知识转移到识别阶段的多目标跟踪方法。