文献综述（或调研报告）：
科技技术的飞速发展提高了人们的生活质量，人工智能的出现改变了人们的生活方式。移动目标检测与跟踪技术广泛应用于家庭、小区的智能监控，汽车的辅助/自动驾驶，工业、家庭中的机器人及人机交互等人工智能中。
目前交通监控领域中仍然存在很多需要深入研究的问题，这些问题会或多或少的影响交通监控实际应用的发展。可是交通监控中基于视频的目标检测和跟踪就是其中一个具有挑战意义的课题。客观上目标检测指的是从视频中检测和识别目标，计算机系统能理解目标的行为并且进一步对当时的场景进行语义描述。计算机系统从场景中理解目标的行为分为两步：目标行为检测和行为识别，在这两个方面的研究过程中有很多困难。
1.移动目标检测跟踪算法分类
视频中行人检测是指视频在播放过程中，行人检测算法能够准确找到每一帧图像中的行人，类似于图像中的 ROI(Region of Interest)区域即感兴趣区域。行人检测技术已经有较多的研究，由于行人在行走时，形态基本不会具有多大变换，但是在做转身、弯腰等动作时，会有较大的变化，因此行人检测仍需要进一步研究，以期望得到适用于各个场合的行人检测算法。目前行人检测算法主要分两类，基于运动目标的检测算法和基于统计学习的检测算法，基于统计学习的检测算法也可以称为特征识别算法。
基于运动目标的检测算法，这种方法就是通过分离背景区域与运动区域，将运动的行人区域检测出来，完成视频图像中行人的检测。基于运动目标的检测算法主要有帧差法、背景建模法以及光流法。帧间差法虽然简单，但是检测效果较差。目前常见的就是帧差法与背景建模法相融合，来检测目标区域。
由于目标跟踪的广泛应用，使得对于跟踪算法的相关研究也比较深入。目前跟踪算法主要分为两类，生成类模型方法和判别类模型方法。生成类模型方法原理是对目标区域建立目标模型，在之后每一帧中寻找与目标模型最相似的区域。一个例子可以形象说明生成类方法原理，知道目标区域70%是红色，30%是蓝色，然后在下一帧中寻找目标的时候，就找颜色比例与目标区域最相似的，这就是生成类算法思想。
Mean-shift算法、粒子滤波算法都属于生成类目标跟踪算法。目前关于这类算法的研究有ASMS(Adaptive Scale Mean-shift)算法，主要是对Mean-shift改进得到的，加入了尺度估计，利用经典的颜色直方图作为跟踪特征，在先验条件尺度不剧变和可能偏最大情况下，加入反向尺度一致性检查。DAT(Distractor-Aware Tracker)算法也是一种基于颜色特征的算法，这个算法在2015年提出，针对尺度变化的情况比较适用。
生成类算法从时效性、性能方面来讲，在开始提出时表现不错，但判别类跟踪算法出来以后，由于其各方面效果都优于生成类算法，因而对判别类算法的研究则成为主要研究方向。判别类方法主要是采用机器学习的思想，在当前帧中，以目标区域为正样本，背景区域为负样本，使用机器学习算法训练一个分类器，然后在下一帧中，用已经训练好的分类器确定最优区域，完成目标跟踪过程。与生成类方法相比，判别类方法利用机器学习，在训练分类器时用到了背景信息，因此训练的模型不仅知道目标区域有红色、蓝色，还知道背景区域有黄色，这样就能够更加准确的找到下一帧中的目标区域，因此判别类方法比生成类方法效果更好。
比较经典的判别类跟踪算法有Struck(Structured Output Tracking with Kernels)算法，该算法于2011年由Sam Hare等人提出，该方法使用Haar特征作为跟踪特征，利用支持向量机SVM (Support Vector Machine)进行分类。由于SVM的强大分类功能，因此Struck
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。
