1. 研究目的与意义（文献综述）

运动目标检测与跟踪属于计算机视觉研究领域之一，也是属于当前计算机视觉研究中还没有根本解决的难点问题。运动目标跟踪可以融入目标识别与分类、目标特征提取等工作流程当中，该过程结果又可以直接影响目标行为理解和描述，以及推理决策等更高层次处理过程。近年来，随着深度学习在目标分类、目标检测任务中逐渐取得成功，并逐渐在性能上超过传统算法，目标跟踪算法也开始结合深度学习，并逐渐在性能上超过传统方法，取得了一定的突破。

基于卷积神经网络的运动目标跟踪能够在复杂的场景中对运动目标实时的检测、识别以及跟踪，并获得目标的运动轨迹和姿态，从而进行进一步处理以及分析。本文对基于卷积神经网络的运动目标跟踪算法进行了研究与探讨，不仅具有重要的使用价值，同时在大数据时代，通过深度学习的计算机视觉方法越来越具有学术研究价值。

回顾运动目标跟踪算法发展历程，在深度学习逐步进入该领域之前，手工挑选特征来构建表观模型长期在该领域占领主导地位，其主要思路是设计对遮挡、形变、光照等不利因素具有不变性的特征，从而构建对目标自身变化或外界复杂变化具有鲁棒性的表观模型。

2. 研究的基本内容与方案

2.1 研究基本内容及目标

首先梳理运动目标跟踪领域算法发展历史，再通过分析不同的采用深度学习的目标跟踪算法，比较其思路以及实现方法。最后使用卷积神经网络实现目标视觉跟踪算法，并使用标准视觉跟踪基准评测数据集来评估深度学习在目标视觉跟踪任务中的性能水平以及其发展前景。

（1） 研究运动目标跟踪领域传统算法，学习基于传统计算机视觉方法分析目标特征，了解手动挑选特征进行对目标视觉跟踪的方法；

3. 研究计划与安排

4. 参考文献（12篇以上）

[1] hare s, saffari a, torr p h s. struck:structured output tracking with kernels[j]. ieee transactions on patternanalysis amp; machine intelligence, 2016, 38(10):2096.

[2] nam h, han b. learning multi-domainconvolutional neural networks for visual tracking[c]. computer vision andpattern recognition. ieee, 2016:4293-4302.

[3] 高琳,王俊峰,范勇,等.基于卷积神经网络与一致性预测器的鲁棒视觉跟踪[j/ol].激光与光电子学进展,2017 (09):1-15.