运动物体检测与跟踪算法研究的中期报告.docx

运动物体检测与跟踪算法研究的中期报告 本次中期报告主要介绍我们针对运动物体检测与跟踪问题的研究进展。 首先，我们对于运动物体检测进行了大量的实验和比较，发现基于深度学习的方法在检测精度上具有很大的优势。我们将其作为我们研究的主要方向，通过构建不同网络结构并进行对比实验，最终选择了SSD（Single Shot MultiBox Detector）和YOLO（You Only Look Once）作为我们的基准模型。 其次，在跟踪方面，我们采用了基于卡尔曼滤波的跟踪算法，并将其与近期流行的基于RNN（Recurrent Neural Network）的跟踪方法进行了对比，发现基于卡尔曼滤波的方法在追踪的速度和鲁棒性上更为优秀。 最后，我们将检测和跟踪两个问题结合起来，提出了一种新的运动物体检测与跟踪算法，该算法在SSD和卡尔曼滤波的基础上进行了改进，使其能够实现实时追踪多个运动物体。我们基于公开数据集进行了实验，并与其他算法进行了对比，结果表明该算法具有非常优秀的性能。 总体来说，我们的研究为运动物体检测与跟踪领域的发展做出了一定的贡献，但是还需要进一步的改进和扩展。我们计划在下一阶段加强模型的鲁棒性，优化跟踪算法，以及将算法应用于实际场景中进行验证。