1. 毕业设计（论文）主要目标：
1.查阅文献资料，了解传统的目标跟踪方法。
2.熟悉卷积神经网络的基本构造，熟悉卷积神经网络的前向传播算法与反向传播算法。
3.绘制具体程序流程图，通过matlab进行基于CNN的目标跟踪算法设计与仿真。
2. 毕业设计（论文）主要内容：
-
1.传统的目标跟踪算法研究：基于均值漂移（Meanshift）的目标跟踪方法是一种基于概率密度分布的跟踪方法，使目标的搜索一直沿着概率梯度上升的方向，迭代收敛到概率密度分布的局部峰值上。基于卡尔曼滤波（Kalman Filter）的目标跟踪方法常被用于描述目标的运动模型，它不对目标的特征建模，而是对目标的运动模型进行了建模，常用于估计目标在下一帧的位置。基于粒子滤波（Particle Filter）的目标跟踪方法是一种基于粒子分布统计的方法。以跟踪为例，首先对跟踪目标进行建模，并定义一种相似度度量确定粒子与目标的匹配程度。基于相关滤波（Correlation Filter）的目标跟踪方法最早应用于信号处理，用来描述两个信号之间的相关性。
2.卷积神经网络的基本构造：卷积神经网络通常是由输入层，输出层以及三种类型的隐藏层的互相交叉串联而组成。这三种类型的隐层分别是卷积层，池化层和全连接层。卷积神经网络从结构的组成特征和信息传递方式上来看，属于前馈型多层神经网络，对数据较大的图像处理效果出色。卷积神经网络是由神经元组成的，这些神经元的权重和偏差通过训练得到。每个神经元都有输入，并且对输入数据进行卷积操作，在卷积层之后可选的加入非线性结构。卷积神经网络从整体上看，表示的是一个可微分方程，这个方程的输入是原始的图像像素，输出是该图像的类别信息。卷积神经网络的最后一层有一个相对应的损失函数。在卷积神经网络的结构特点中，局部感知和权值共享性质让整个网络的前向函数更加高效，减少了整个网络中的权值参数数目。
3.基于卷积神经网络的目标跟踪算法。跟踪任务就是在给定某视频序列初始帧的目标大小与位置的情况下，预测后续帧中该目标的大小与位置。当输入初始化目标框时，运动模型提取正负样本，由特征提取器提取出颜色，纹理等特征描述符，获得正负样本本集特征，之后输入外观模型区分正负样本，预测出目标的位置，最后利用预测位置更新正负样本集。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！3. 主要参考文献
[1]A Fast LearningAlgorithm for Deep Belief Nets[J] . Geoffrey E. Hinton,Simon Osindero,Yee-WhyeTeh.Neural Computation . 2006 (7)
[2]深度学习研究进展[J]. 郭丽丽,丁世飞.计算机科学. 2015(05)
[3]DiscriminativeLeast Squares Regression for Multiclass Classification and Feature Selection.
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
