）开题报告表课题名称基于深度学习多车辆跟踪研究一、选题依据（一）论文（设计）工作的理论意义和应用价值车辆跟踪系统对交通视频监控中提取的视频序列的目标车辆进行实时准确定位，并在任意时刻都能够提供完整的目标区域，为跟踪、测量、管理设施内任意区域的车辆提供实时信息，对交通状况进行准确而全面的描述，管理人员根据描述结果对交通进行整体规划，从而有效管理车辆事件、车辆监控、车辆吞吐量、车辆异常等，是精确计划、执行交通监控的基础，是提高交通运输效率不可或缺的支持工具。因此室外车辆的跟踪具有重要的实际应用价值和理论研究意义。目前用于跟踪算法的特征提取方式按照是否通过自学习方式可分为人工设计方式和学习方式。人工设计方式对目标特征的刻画不够本质且依赖于设计者的知识和技巧，在使用过程中具有一定的局限性。学习方式是由机器自动学习特征，它使计算机模拟人脑对视觉信号的感知，通过无监督方式自动地从样本中学习表征每一层对输入信号作层次特征表达。深度学习通过多层神经网络映射从底层特征学习更高级的抽象层次特征以实现分类识别回归等任务。近年来，深度学习己经在图像分类、像识别、目标检测等领域取得了广泛的应用，己经成为一种强有力的自动特征获取方法。借助于深度学习对数据的分布式特征表示能力，目标跟踪能够在目标信息随时间不断发生变化过程中自适应表示外观模型。采用深度学习的方法学习目标的外观模型表示可以有效提高目标跟踪性能。因此，深度学习在室外车辆跟踪技术的研究中具有广阔的应用前和重要的研究意义。（二）研究现状与发展趋势（1）研究现状：最近国内外学者己经将深度学习模型应用于视频目标跟踪中，并取得了一定的成果，这些方法主要遵循两种思路：第一种就是“离线训练+在线跟踪”，即利用迁徙学习的思想将从大规模数据集中离线训练得到的深度学习模型用于在线跟踪中；第二种是精简深度学习结构，直接进行在线跟踪。（2）发展趋势：与单目标跟踪不同的是，多目标跟踪中的检测与车辆轨迹的匹配关联问题更加复杂，如何扩展深度学习在行人重识别问题中的研究成果到多目标跟踪领域，研究适用于多目标跟踪问题的深度学习算法是具有挑战性的问题。近年来，计算机视觉顶级会议和期刊上，研究者从各方面提出了一些解决方案，，无论是离线方式的多目标跟踪还是在线方式的多目标跟踪算法，学习检测结果的特征并计算匹配相似度或者距离度量都是多目标跟踪算法的发展趋势。二、主要研究的目的及内容（一）重点解决的问题本论文采用深度学习检测之间的特征相似性，计算不同检测的距离函数，相同目标的检测距离小，不同目标的检测距离大，从而构造关于检测距离的代价函数，以此提升多目标跟踪算法的精确度。此外，将实际目标跟踪数据集作为实验对象，对深度学习多车辆跟踪研究方法的准确率和实用性进行了分析和研究。（二）论文的框架结构第一部分：研究意义及背景；第二部分：深度学习模型介绍；第三部分：基于深度学习的多车辆跟踪方法设计；第四部分：基于深度学习的多车辆跟踪方法实验过程及结果分析；第五部分：结论；第六部分：参考文献。（三）本论文（设计）预期取得的成果通过详细的调查研究和实践，结合已有的研究，设计出基于深度学习的多目标跟踪方法，并且以已知的车辆目标跟踪数据集为实验对象，对该认定方法的判别准确率和实用性方面进行分析，着重结合深度学习网络，获得较好的目标检测效果，进而提高目标跟踪的准确度。（四）论文的创新之处多目标跟踪是计算机视觉领域一个非常具有挑战性的研究方向，且有着十分广泛的现实应用场景，例如：智能视频监测控制、异常行为分析、移动机器人研究等。针对传统多目标跟踪算法往往由于目标检测效果较差，而导致跟踪效果不佳，提出基于深度学习的多目标跟踪算法，并针对车辆跟踪这一实际应用场景展开研究，进而提高目标跟踪的准确度。三、研究方法及研究手段本文主要以模拟试验为主，在深入理解消化文献的基础知识上，设计并实现基于深度学习的多目标跟踪方法，通过一系列的车辆跟踪数据，严格按照提出问题-分析问题-建立假设-模拟实验-得出结论的途径进行研究，进而完...
