1. 研究目的与意义（文献综述）

目标检测方法在智能监控、智能交通和辅助生活等领域得到广泛关注和研究，但是由于其受光照、姿态、视角和遮挡等因素引起的特征变化的影响较大，使得该问题在计算机视觉的研究中遇到极大挑战，在鲁棒性，算法复杂度，实用性等因素上针对不同应用场合都要进行取舍。近年来关于目标检测的方法大概有三类：

1）基于hog特征和svm分类器的检测方法。hog svm的方法是法国研究人员dalal在2005的cvpr上提出的，该类方法可分为两种，一种是基于全局模型的，此种适用于刚性目标，对于局部特征易于变化的非刚性目标的检测效果则比较差；2010年，felzenszwalb 等人提出基于部件的形变模型（dpm），将全局模板扩展为考虑部件间几何约束的多个局部部件，该方法在多个目标检测数据集上取得了最好的效果，但无法有效检测类内变化过大的目标。

2）基于boosting的目标检测方法。boosting是一类提高弱学习算法精度的强学习算法，其思想起源于valiant提出的pac（probably approximately correct）学习模型,此后很多学者开始了pac学习模型的研究。1990年schapire最先提出了一种可证明的多项式时间boosting算法。boosting算法的优点为：在分类的同时能够进行特征选取，编程容易，速度快，简单；只要给定足够多的数据，boosting算法不需要弱分类器的先验知识，只需要通过寻找比随机稍好的弱分类器，就能得到一个较好的强分类器；在弱分类器确定后，除了迭代次数外其他参数都不需要调节；对于多视角和大姿态变化的问题有很好的解决效果。

2. 研究的基本内容与方案

本论文研究采用随机森林算法，在人群密集的情况下实现目标识别和锁定，并在此基础上完成对其运动方向的预测。具体的方案如下：

1）数据预处理与训练集准备。选定特定目标，对目标图像进行预处理，通过opencv人脸识别工具进行脸部切割。

3. 研究计划与安排

(1) 第1－3周：查阅相关文献资料，明确研究内容，学习毕业设计研究内容所需理论的基础。确定毕业设计方案，完成开题报告。

(2) 第4－5周：了解随机森林构造与训练方法、人面部与姿态特征识别方法、软件的相关使用以及c 和opencv的相关函数。

(3) 第6－9周：了解图像帧处理的相关方法、面部特征提取方法、软件的相关使用。

4. 参考文献（12篇以上）

[1]蔡加欣,冯国灿,汤鑫,罗志宏.基于局部轮廓和随机森林的人体行为识别.《光学学报》, 2014, 34(10):204-213.

[2]王萍.统计模式识别.北京电子工业出版社.2015.1.

[3]杨淑莹.模式识别与智能计算：matlab技术实现.北京电子工业出版社.2015.4.