基于Siamese网络的目标跟踪算法及实现开题报告

1. 研究目的与意义（文献综述）

1.1研究的目的及意义

目标跟踪是计算机视觉领域的重要组成部分。 近年来，基于相关滤波和深度学习的目标跟踪算法层出不穷。基于相关滤波的目标算法在实时性方面表现出色，但仍需要针对复杂的背景干扰和相似的物体遮挡进行优化。 深度卷积特征具有强大的目标表示力。通过将相关过滤算法与深度学习相结合，可以大大提高算法的表达能力。基于深度学习的跟踪算法更侧重于跟踪的性能，大多数不能满足实时性能。 目标跟踪在计算机领域起着重要作用，其应用范围非常广泛，包括：运输，医疗，军事等各个方面。随着社会的飞速发展，计算机视觉和人工智能技术逐渐进入人们的生活，计算机已成为千家万户必不可少的东西。 在过去的30年中，计算机视觉领域的主要研究方向取得了优异的成绩，跟踪算法也取得了长足的进步。 跟踪算法已广泛用于诸如基于运动的识别，自动监视，视频索引，人机交互，车辆导航和制导系统等任务。 传统上，通过将视频本身用作唯一的训练数据，可以专门在线学习对象外观模型，以解决任意对象跟踪的问题。 尽管这些方法取得了成功，但仅使用视频本身的方法固有地限制了他们可以学习的模型的丰富性。 最近，人们已经进行了一些尝试来利用深度卷积网络的表达能力。 但是，如果不知道要预先跟踪的对象，则必然会使执行随机梯度下降以适应网络的重量，这会严重损害系统的速度。 通过兼顾算法的性能和实时性，孪生神经网络的使用极大地推动了基于深度学习的目标跟踪算法。

2. 研究的基本内容与方案

2.1 基本内容

基于深度学习方法利用孪生神经网路、深度卷积网络完成对目标进行特征提取、分类的跟踪算法。利用本算法达到根据已知目标图像位置预测后续所有影像中目标在图像中的位置的目的。

本论文的主要研究工作有：

一、预训练孪生特征提取子网络

二、对候选区域提取子网络中的分类支路和回归支路分别对模板帧和检测帧的特征进行卷积运算

三、端到端训练孪生rpn

2.2 预期目标

利用孪生神经网路、深度卷积网络搭建的算法，在具有遮挡、超出视野、变形、背景混乱和其他变化的挑战性场景中准确有效地检测和定位目标。

3. 研究计划与安排

第 1－3 周：查阅相关文献资料，明确研究内容，了解研究所

需理论基础。确定方案，完成开题报告。

第 4－5 周：熟悉掌握基本理论，完成英文资料的翻译，熟悉

4. 参考文献（12篇以上）

1.zhu z, wang q, li b, et al. distractor-aware siamese networks for visual object tracking[c]//proceedings of the european conference on computer vision (eccv). 2018: 101-117.

2.bertinetto l, valmadre j, henriques j f, et al. fully-convolutional siamese networks for object tracking[c]//european conference on computer vision. springer, cham, 2016: 850-865.

3.henriques j f, caseiro r, martins p, et al. high-speed tracking with kernelized correlation filters[j]. ieee transactions on pattern analysis and machine intelligence, 2014, 37(3): 583-596.