文献综述
现状及发展趋势
运动目标的检测，也称为运动检测，其目的就是从图像序列中将运动目标由于运动所导致的变化区域提取出来。运动目标检测是计算机视觉中产生的一个重要研究课题, 在国家安防领域有着重要的研究意义。目前，常用的运动目标区域的检测主要有以下几方法：背景减除方法，时间差分方法和光流方法。目前运动检测和分类中应用较普遍的方法是背景差分法 基本思想是通过输入图像与背景图像进行比较的方法分割运动 目标，可以保持目标的完整性，所能得到的结果直接反映了运动 目标的位置、大小、形状等信息，能够得到比较精确的运动目标 信息，而背景减除法的关键是对背景图像的维持与更新。
实现运动目标的精确定位跟踪, 在高速公路监视、银行监控等方面有着重要的应用价值。运动目标区域的有效、准确的提取，是运动目标的分类、跟踪以及行为理解等计算机视觉处理重要的前提。
在过去几年中，随着新型深度卷积神经网络（CNN）和目标检测框架的成功，物体检测的性能得到了显著提高。最先进的对象检测框架，如R-CNN，从区域中提取深层卷积特征，并将其分成不同的类别。DeepID-Net通过引入盒子预训练，候选区域，变形层和上下文表示来改进R-CNN。
主要的研究现状包括：一是静止图像的物体检测。Girshick等提出了一种称为具有卷积神经网络（R-CNN）的区域的多级流水线[16]，用于训练深度CNN以对区域提议进行物体检测分类。它将检测问题分解为几个阶段，包括边界框提议，CNN预训练，CNN微调，SVM训练和边界框回归。这种框架表现出良好的表现，并在其他作品中被广泛采用。
二是视频中的物体检测。Han等人提出了一种序列NMS方法[17]，将静止图像检测关联到序列中，并在结果上应用序列级NMS。通过对相同序列的检测来提高较弱的等级分数。Galteri等人提出了一个闭环框架[17]，在前一帧上使用对象检测结果反馈给提议算法以改进窗口排名。Kang等人提出了一个小管提案网络[19]，可以同时有效地生成数百个小管提案。
三是图像分类。Si-monyan等人提出了一个具有非常小的3times;3卷积核的19层神经网络[2]，这在其他相关任务中被证明是有效的，例如检测，动作识别和语义分割。
四是视觉跟踪。Wang等人提出通过在线选择ImageNet预训练CNN中最具流量的特征来创建一个特定于对象的跟踪器[12]，这种特征在很大程度上优于最先进的跟踪器。Nam等人训练多域CNN用于学习跟踪对象的通用表示[13]。当跟踪新目标时，通过将预先训练的CNN中的共享层与在线更新的新二进制分类层组合来创建新网络。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
