基于深度学习的运动目标实时识别与定位
基于深度学习的目标检测与定位技术研究与发展趋势
基于深度学习的目标检测与定位技术研究与发展趋势深度学习在计算机视觉领域引起了广泛的关注和迅猛的发展。
目标检测与定位是计算机视觉中的重要任务之一，其在许多领域中具有重要的应用价值。
本文将探讨基于深度学习的目标检测与定位技术的研究现状和发展趋势。
一、基于深度学习的目标检测技术目标检测是计算机视觉中的一项重要任务，旨在识别图像或视频中的特定对象，并确定其在图像中的位置。
深度学习已经成为目标检测中最为流行的方法之一。
基于深度学习的目标检测技术可以分为两大类：两阶段方法和一阶段方法。
两阶段方法是最早被提出的目标检测方法之一，其主要思想是先生成一系列候选框，然后对这些候选框进行分类和位置回归。
其中最具代表性的方法是R-CNN、Fast R-CNN和Faster R-CNN。
这些方法在目标检测的准确性上取得了显著的提升，但速度较慢，不适合实时应用。
一阶段方法是近年来涌现的新方法，其主要思想是直接通过卷积神经网络（CNN）输出目标的类别和位置。
YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）是最具代表性的一阶段目标检测方法。
它们在速度上具有优势，适合实时应用，但准确率相对较低。
二、基于深度学习的目标定位技术目标定位是在目标检测的基础上，进一步精确定位目标在图像中的位置。
基于深度学习的目标定位技术在近年来也取得了很大的进展。
一种常用的目标定位方法是使用定位框来表示目标的位置。
这些定位框可以通过回归方法或者类似于Faster R-CNN的方法来生成。
通过将目标的位置信息也纳入训练中，可以进一步提高目标定位的准确性。
此外，还有一些基于关键点的目标定位方法，旨在通过检测目标的关键点来确定其位置。
这些关键点通常是目标具有特定结构的部分，例如人脸的眼睛、鼻子和嘴巴等。
通过检测这些关键点，可以更加准确地定位目标。
三、技术研究与发展趋势目标检测与定位技术在基于深度学习的方法下得到了长足的发展。
基于深度学习的实时目标检测与识别算法研究
基于深度学习的实时目标检测与识别算法研究近年来，随着计算机视觉领域的不断发展，基于深度学习的目标检测和识别算法越来越受到人们的关注。
这些算法以较高的准确率和较低的误报率在图像和视频领域中大放异彩，被广泛应用于人脸识别、自动驾驶、智能安防等领域。
本文将深入探讨基于深度学习的实时目标检测与识别算法的研究现状和进展。
一、深度学习在目标检测和识别中的应用传统的目标检测和识别算法主要采用传统计算机视觉技术，例如特征提取、分类器等方法，在图像或视频中实现目标的定位和分类。
然而，这种方法的准确率和效率受到提取的特征和选择的分类器等因素的影响，存在诸多局限性。
相比之下，深度学习算法以极强的适应性和泛化性著称，能够在大规模数据集中自主学习和提取特征，从而实现在图像和视频中的目标检测和识别。
基于深度学习的目标检测和识别算法主要分为两类：一是基于区域提取的算法，例如R-CNN、Fast R-CNN、Faster R-CNN等；二是基于回归的算法，例如YOLO和SSD等。
二、基于区域提取的算法基于区域提取的算法能够实现较高的检测精度，它们主要由三个组成部分构成：候选区域提取、卷积神经网络(CNN)特征提取和分类器。
其中，候选区域提取的目的是确定图像中可能存在目标的位置和尺寸，这些区域由一些算法自主提取，例如选择性搜索(Selective Search)等。
在确定好候选区域后，这些区域经过CNN网络进行特征提取，在最后的分类器中进行图像分类。
这类算法与传统的目标检测方法相比，能够在一定程度上提高检测精度和泛化性，然而速度较慢，难以满足实时目标检测的需求。
三、基于回归的算法基于回归的算法能够在保持较高检测精度的同时，大大提高实时目标检测的速度。
它们主要采用单次前向传递的方式，与区域提取方法不同，能够基于整个图像完成目标的识别和定位。
例如，YOLO(v3)算法采用了Darknet-53网络进行特征提取，通过较小的神经网络输出预测框和类别得分信息，对图像中的目标进行定位和分类。
运动目标跟踪
运动目标跟踪运动目标跟踪是一种利用计算机视觉技术来自动识别和追踪视频中的运动目标的方法。
它在实际应用中具有广泛的用途，例如视频监控、交通监控、自动驾驶等。
运动目标跟踪的目标是识别和跟踪视频中的感兴趣目标，并在目标移动、形状变化、遮挡等复杂场景下保持准确的跟踪。
跟踪的过程一般包括目标检测、目标定位和目标跟踪三个步骤。
首先，目标检测是从视频中检测出所有可能的目标区域。
常用的目标检测算法包括基于深度学习的目标检测算法，如Faster R-CNN、YOLO等。
这些算法可以快速准确地检测出目标区域，并生成候选框。
然后，目标定位是确定目标在当前帧中的准确位置。
目标定位一般采用基于特征的方法，通过计算目标候选框与目标模板之间的相似度来确定目标的位置。
常用的目标定位算法包括颜色直方图、HOG特征等。
这些算法可以通过算法模型进行目标定位，并快速准确地输出目标的位置。
最后，目标跟踪是在视频序列中持续追踪目标，并在目标发生变化或遮挡时进行目标重新定位和跟踪。
常用的目标跟踪算法包括基于粒子滤波器的跟踪算法、卡尔曼滤波器跟踪算法等。
这些算法可以利用目标模型和观测模型进行目标跟踪，并实时更新目标的位置和状态。
运动目标跟踪的关键技术包括目标检测和定位、目标跟踪和状态估计、特征提取和匹配等。
当前，随着深度学习技术的发展，基于深度学习的运动目标跟踪方法已经取得了很大的突破。
这些方法可以通过大规模的数据训练模型，实现更加准确和鲁棒的目标跟踪效果。
总之，运动目标跟踪是一种利用计算机视觉技术来自动识别和追踪视频中的运动目标的方法。
它在实际应用中具有广泛的用途，并且随着深度学习技术的发展，其性能和效果正在不断提高。
将来，运动目标跟踪技术有望在各个领域得到更广泛的应用。
基于深度学习的目标检测与识别技术在无人机中的应用
基于深度学习的目标检测与识别技术在无人机中的应用摘要：随着无人机技术的快速发展，无人机在军事、商业、科研等领域的应用越来越广泛。
然而，无人机要实现自主飞行和智能操作，需要具备强大的视觉能力，能够准确地检测和识别环境中的目标物体。
本文将探讨基于深度学习的目标检测与识别技术在无人机中的应用，并分析其优势和挑战。
1. 引言无人机已经成为许多领域的重要工具，包括军事侦察、安防监控、灾害救援等。
然而，无人机要实现自主飞行和智能操作，需要拥有高度准确的目标检测和识别能力。
传统的计算机视觉方法在目标检测和识别中存在局限性，而基于深度学习的目标检测与识别技术则能够在无人机中实现高精度和高效率的目标检测与识别。
2. 基于深度学习的目标检测与识别技术概述深度学习是一种模仿人脑神经网络的计算模型，通过多层神经网络的组合与训练，能够自动学习和提取特征。
目前，深度学习在图像处理领域取得了显著的突破，包括目标检测与识别。
常用的基于深度学习的目标检测与识别方法有卷积神经网络（CNN）和区域卷积神经网络（R-CNN）等。
3. 无人机中基于深度学习的目标检测与识别技术应用案例（1）军事侦察与巡逻无人机在军事领域发挥着重要的作用，基于深度学习的目标检测与识别技术可以帮助无人机在复杂环境中快速发现并识别敌方目标物体，提供实时情报支持，增强作战效能。
（2）安防监控与边境巡逻无人机在安防监控和边境巡逻中广泛运用，基于深度学习的目标检测与识别技术可以帮助无人机实时发现并识别潜在的危险目标，及时预警，并提供实时图像和视频流，协助决策。
（3）灾害救援与搜索救援无人机在灾害救援和搜索救援中具有独特的优势，基于深度学习的目标检测与识别技术可以协助无人机准确地检测并识别被困人员、灾害区域和重要道路，提供实时定位和指导。
4. 基于深度学习的目标检测与识别技术在无人机中的优势（1）高准确度：基于深度学习的目标检测与识别技术能够通过大量的数据训练，从而提高识别准确度，对目标物体进行有效的检测和识别。
基于深度学习的检测与定位算法在室内导航中的研究
基于深度学习的检测与定位算法在室内导航中的研究引言：随着科技的快速发展和社会的进步，人们对室内导航系统的需求也越来越大。
无论是在商场、机场还是医院，室内导航系统能够帮助人们准确、高效地找到目标位置，提升用户体验和工作效率。
然而，室内环境的复杂性对导航系统的准确性和可靠性提出了挑战。
基于深度学习的检测与定位算法为解决这些问题提供了新的方向和可能性。
一、深度学习在室内导航中的应用室内导航系统需要准确地识别和定位目标物体和位置。
传统的方法通常基于传感器数据进行处理，如GPS、惯性导航等，但在室内环境下，这些传感器的精度受限，容易受到多路径效应等干扰。
而深度学习技术在图像处理和识别方面具有优势，为室内导航系统提供了新的解决方案。
深度学习通过使用深层神经网络来解决图像识别和目标检测的问题。
通过大量的训练数据和深层神经网络的学习能力，深度学习算法可以准确地找到并识别室内环境中的目标物体，如门、楼梯、标志等。
这为室内导航系统提供了准确的目标检测能力，为用户提供更直观、准确的导航信息。
二、深度学习在室内定位中的应用除了目标检测，室内导航系统还需要准确的定位信息。
传统的定位方法主要基于信号强度指纹、时间差测量等技术，但这些方法受限于环境中的信号传播特性，容易受到干扰和误差。
而基于深度学习的定位方法具有更高的准确性和鲁棒性。
基于深度学习的定位方法通常使用神经网络来学习室内环境的特征和结构。
通过训练神经网络，系统可以学习到室内环境中的位置特征，并将其映射到准确的位置坐标上。
利用深度学习算法的学习能力，室内导航系统可以实现高精度的定位，满足用户对于导航准确性的需求。
三、基于深度学习的检测与定位算法的优势相比传统的室内导航方法，基于深度学习的检测与定位算法具有以下几个优势：1. 准确性高：深度学习算法通过学习大量的数据和特征，可以实现更精确的目标检测和位置定位。
2. 鲁棒性强：深度学习算法具有较强的鲁棒性，可以应对复杂的室内环境变化和干扰，提高导航系统的可用性和稳定性。
基于深度学习的物体识别与定位方法研究
基于深度学习的物体识别与定位方法研究第一章绪论深度学习是近年来人工智能领域最重要的技术之一，它通过学习数据的特征来进行高效的分类、识别、预测等任务。
在计算机视觉领域，深度学习已经成功地应用于物体识别和定位任务中。
物体识别和定位是计算机视觉中的重要问题，它们在图像、视频、安防、自动驾驶等领域中具有广泛的应用。
本文将重点介绍基于深度学习的物体识别和定位方法的研究进展和应用情况。
第二章深度学习基础深度学习是一种机器学习的方法，它使用多层神经网络来学习输入数据的特征表示。
深度学习的核心概念包括神经网络、前向传播、反向传播、梯度下降、卷积神经网络、循环神经网络等。
其中，卷积神经网络是目前最常用的深度学习模型，在物体识别和定位任务中也得到了广泛的应用。
第三章物体识别方法物体识别是指从图像或视频中识别出其中的物体以及其类别。
传统的物体识别方法多采用手工设计的特征提取方法和分类器，如SIFT、HOG、LBP等特征和SVM、KNN、决策树等分类器。
这些方法需要人为地设计特征和分类器，且鲁棒性和泛化性较差。
基于深度学习的物体识别方法则是直接从原始数据中学习特征，通过卷积神经网络提取特征表示，再通过全连接层实现分类。
目前，基于深度学习的物体识别方法已经取得了极大的成功，并且在各类比赛中都有出色表现。
第四章物体定位方法物体定位是指在图像或视频中定位物体的位置。
传统的物体定位方法多采用滑动窗口和图像金字塔的方法进行检测，再通过分类器进行物体识别和位置定位。
这些方法需要在不同尺度和位置上移动窗口，并计算窗口内的特征，计算量过大，且定位精度较低。
基于深度学习的物体定位方法则是通过卷积神经网络学习物体位置的特征，通过滑动窗口的方式进行物体位置的定位。
目前，基于深度学习的物体定位方法已经取得了很高的准确率和实时性。
第五章深度学习与语义分割物体识别和定位本质上是图像语义分割的子问题。
语义分割是指将图像中的每个像素分配一个语义标签，区分出图像中不同物体的像素。
机器人视觉系统的目标识别与位置定位研究
机器人视觉系统的目标识别与位置定位研究简介：机器人视觉系统的目标识别与位置定位是目前机器人研究领域的一个重要课题。
随着机器人在各个领域的应用不断扩大，对于机器人具备准确高效的目标识别与位置定位能力的需求也日益增加。
本文将从目标识别和位置定位两个方面进行研究探讨，并介绍目前的研究现状和未来发展的趋势。
一、目标识别目标识别是机器人视觉系统中的关键技术之一。
它是指机器人通过对输入图像或视频进行分析和处理，识别出图像中感兴趣的目标物体。
目标识别技术具有广泛的应用领域，如工业自动化、无人驾驶汽车、医疗辅助等。
目前，目标识别技术主要包括传统的图像处理方法和基于深度学习的方法两种。
1. 传统的图像处理方法传统的图像处理方法主要利用图像的颜色、纹理、边缘等特征进行目标识别。
通过提取图像中的特征并利用分类算法进行识别，如SVM、Boosting等。
然而，这种方法在复杂背景、遮挡等情况下容易受到影响，对于目标物体的变形、光照变化等也较为敏感。
2. 基于深度学习的方法近年来，基于深度学习的方法在目标识别中取得了巨大的突破。
它利用深度神经网络对图像进行端到端的学习和特征提取，较好地解决了传统方法的问题。
例如，卷积神经网络（CNN）在图像分类和目标检测任务中取得了显著的成果。
借助于大规模标注的数据集和强大的计算能力，深度学习方法在大多数视觉任务中都达到了甚至超过人类的识别性能。
二、位置定位位置定位是机器人导航和路径规划的基础，也是实现机器人自主行动的关键。
它是指机器人通过感知周围环境，并准确定位自身位置的过程。
目前，机器人位置定位主要分为基于传感器的定位和基于地图的定位两种方法。
1. 基于传感器的定位基于传感器的定位主要利用机器人安装的各种传感器，如摄像头、激光雷达、惯性测量单元等，获取环境信息，并通过传感器数据进行自我定位。
例如，通过摄像头获取环境图像，利用视觉里程计或SLAM算法进行机器人的位姿估计。
但该方法容易受到环境光照变化、传感器噪声等因素的影响，导致定位精度下降。
基于深度学习的目标识别与跟踪系统设计与实现
基于深度学习的目标识别与跟踪系统设计与实现随着人工智能技术的快速发展，深度学习已成为目标识别和跟踪领域中的重要技术手段。
在许多应用场景中，如自动驾驶、无人机巡航和工业监测等，目标识别和跟踪系统的性能显著影响了整个系统的效果和可靠性。
本文将深入探讨基于深度学习的目标识别和跟踪系统的设计和实现过程。
一、目标识别技术概述目标识别是指从图像或视频数据中自动检测和识别出特定目标的过程。
在过去的几十年中，目标识别技术得到了飞速发展。
传统的目标识别技术通常基于手工设计的特征提取算法和机器学习分类器。
然而，这些方法的性能受到许多因素的限制，如光照、遮挡、形变等。
近年来，基于深度学习的目标识别技术已逐渐成为主流，因为它可以自动从原始数据中提取特征，并具有更强的鲁棒性和泛化能力。
二、目标识别系统的设计与实现1. 数据集的准备首先，我们需要准备大量的标注数据集，包括目标的图像或视频样本和对应的标注数据。
目标的标注数据包括目标的位置、类别、大小、姿态等信息。
2. 模型的选择和构建基于深度学习的目标识别通常使用卷积神经网络（CNN）作为模型。
在模型的选择和构建过程中，需要考虑好模型的深度、层数、网络结构、激活函数等因素。
同时，需要为模型选择合适的损失函数和优化器，以便在训练过程中有效地优化模型参数。
3. 模型的训练与评估训练模型通常需要使用GPU等高性能计算设备，以便加快训练速度。
在训练过程中，需要对训练数据进行分批次处理，并使用随机梯度下降等优化算法来更新模型参数。
训练完成后，可以使用测试数据集来评估模型的性能，包括精度、召回率、F1值等指标。
4. 目标跟踪技术概述目标跟踪是指在视频序列中跟踪目标物体的位置和运动轨迹。
目标跟踪技术是目标识别的延伸，通常需要在时间维度上实现目标的连续跟踪，并对目标在运动中的变化做出相应的响应。
5. 目标跟踪系统的设计与实现目标跟踪系统的设计和实现通常可以基于目标识别模块展开。
需要在原始图像中定位并识别出目标，然后使用相应的目标跟踪算法来实现目标的连续跟踪。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
着场 景的变换 、光照 的影 响 以及实时性要求等使 得传 统方法无法满足人们 的需求．
近 几年深度学 习由于其 快速的处理能 力和 较高 的 准确率在 计算机 视觉 中得到广 泛应用，使得 在一 些复 杂 条件下利用视 觉对场景进 行分析成为 可能．２０１２年 Ｋｒｉｚｈｅｖｓｋｙ等 采 用 ＡｌｅｘＮｅｔ网络 的卷积 神经 网络 （Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，ＣＮＮ１在 ＩｍａｇｅＮｅｔ图
，
ｐｒｏｐｏｓｅｄ．Ｔｈｅ Ｓｉｎｇｌｅ Ｓｈｏｔ ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ（ＳＳＤ）ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｉＳ ｕｓｅｄ ｕｎｄｅｒ Ｃａｆｆｅ ｆｒａｍｅｗｏｒｋ．ｔｈｅ ＶＧＧ １ ６ ｍｏｄｅ１
ｉＳ ｕｓｅｄ ａｓ ｔｈｅ ｂａｓｉｃ ｎｅｔｗｏｒｋ ｍ ｏｄｅ１．ａｎｄ ｔｈｅ ａｄｄｉｔｉｏｎａｌ ｆｅａｔｕｒｅ ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒｓ ａｒｅ ｕｓｅｄ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｍ ｕｌｔｉ—ｓｃａｌｅ ｃｏｎｖｏｌｕｔｉｏｎ ｆｅａｔｕｒｅｓ．Ｔｈｅｎ ｔｈｅ ｅｘｐｅｒｉｍ ｅｎｔａｌ ｄａｔａ ｓｅｔ ｉＳ ｉｔｅｒａｔｉｖｅｌｙ ｔｒａｉｎｅｄ ｔｏ ｇｅｔ ｔｈｅ ｍ ｏｔｉｏｎ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｍ ｏｄｅ１ Ｔｈｅ
．
ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ ａｒｅ ｄｅｔｅｃｔｅｄ ｕｓｉｎｇ ｔｈｅ ｔｒａｉｎｅｄ ｍｏｄｅｌ ａｎｄ ｔｈｅｎ ｐｏｓｉｔｉｏｎｅｄ ｔｈｒｏｕｇｈ ｂｉｎｏｃｕｌａｒ ｖｉｓｉｏｎ ｐｏｓｉｔｉｏｎｉｎｇ ｍｅｔｈｏｄ．Ｔｈｅ
ｅｘｐｅｒｉｍ ｅｎｔ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｙｓｔｅｍ ｃａｎ ｒｅａｃｈ ４０ ｆｐｓ．Ｉｎ ｔｈｅ １０ ｍ ×１０ ｍ ｓｃｅｎｅ．ｔｈｅ ａｖｅｒａｇｅ ｐｏｓｉｔｉｏｎｉｎｇ ｅｒｒｏｒ ｉｓ ｗｉｔｈｉｎ ６ ｃｍ ．Ｔｈｅ ｓｙｓｔｅｍ ｈａｓ ｓｏｕｎｄ ｐｅｒｆｏｒｍ ａｎｃｅ ｂｏｔｈ ｉｎ ｓｐｅｅｄ ａｎｄ ｐｒｅｃｉｓｉｏｎ。ｗｈｉｃｈ ｐｒｏｖｉｄｅｓ ａｎ ｅｆｆｅｃｔｉｖｅ ｓｏｌｕｔｉｏｎ ｆｏｒ ｔｈｅ ｒｅａ１． ｔｉｍ ｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｐｏｓｉｔｉｏｎｉｎｇ ｏｆ ｈｕｍ ａｎ ｍ ｏｔｉｏｎ ｉｎ ｌａｒｇｅ ａｎｄ ｍ ｅｄｉｕｍ —ｓｉｚｅｄ ｓｃｅｎｅｓ
ｈｔｔｐ：／／ｗ ｗｗ ．Ｃ—Ｓ－ａ．ｏｒｇ ｃｎ Ｔｅｌ：＋８６—１０ ６２６６１Ｏ４１
基于深度 学 习的运动 目路茸
（浙 江 理 工 大 学 信 息 学 院 ，杭 州 ３１００１８） 通 讯 作 者 ：蒋路 茸，Ｅ—ｍａｉｌ：ｊｉａｎｇｌｕｒｏｎｇ＠ｚｓｔｕ．ｅｄｕ．ｃｎ
摘 要 ：针对 人体 运动 目标 的实时检测 与定 位 问题 ，采 用深度 学 习的方法 进行研 究．在 Ｃａｆｆｅ框 架下，采 用 ＳＳＤ （Ｓｉｎｇｌｅ Ｓｈｏｔ ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ）检测方法 ．以 ＶＧＧ１６作为基础 网络模型，增加额 外特征卷积层，提取 多尺度的卷积 特征．然 后对实验数据 集进行迭代 训练，得 到运 动 目标检测模 型．利用 训练好 的模型，通过 ２路摄像 机检测运 动 目 标，并 双 目视 觉定 位．实验 结果表 明，整 个系 统运行 速度 可达 ４０ ｆｐｓ，在 １０ ｍｘ１０ ｍ 的场景 下，平均 定位 误差在 ６ ｃｍ 以内，在速度和精度上均有很好的表现 ，为大 中型场景 的人体运动实时检测定位 问题提供 了有效的解 决方案 ． 关键词：深度学 习；Ｓｉｎｇｌｅ Ｓｈｏｔ ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ（ＳＳＤ）；实时检测：双 目视觉定位
．
Ｋｅｙ ｗｏｒｄｓ：ｄｅｅｐ ｌｅａｒｎｉｎｇ；Ｓｉｎｇｌｅ Ｓｈｏｔ ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ（ＳＳＤ）；ｒｅａ１．ｔｉｍｅ ｄｅｔｅｃｔｉｏｎ；ｂｉｎｏｃｕｌａｒ ｖｉｓｕａｌ ｐｏｓｉｔｉｏｎｉｎｇ
１ 引言
目标检测 与定位是计算机视觉领 域中一个重要 的 研究课题ｌｌ Ｊ．检测 出感 兴趣 目标及其位置 是计 算机视 觉 科研工作者关注 的重 点［２］．传 统的检测 方法通 过特征 提 取 、 多 特 征 融 合 进 行 目标 检 测 ．例 如 通 过 提 取 ＨＯＧｔ引、ＬＢＰ Ｅ ＇ 和 ＳＩＦＴ Ｅ 特征，将 提取到 的特 征通过 ＳＶＭ［ 或者 ＡｄａＢｏｏｓｔ［ｓ］等分类器 进行分类 识别．但 随
引用格 式：童基均 ，常 晓龙，赵 英杰 ，蒋路 茸．基 于深度 学 习的运动 目标 实时识别 与定 位．计 算机 系统应 用，２０１８，２７（８）：２８～３４．ｈｔｔｐ：／／ｗｗｗ．ｃ．Ｓ—
ａ．ｏｒｇ ｏｎ／１００３—３２５４／６５２５．ｈｔｍ ｌ
Ｒｅａｌ—Ｔｉｍ ｅ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｐｏｓｉｔｉｏｎｉｎｇ ｏｆ Ｍ ｏｖｉｎｇ Ｔａｒｇｅｔ Ｂａｓｅｄ ｏｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ
计算 机 系统应 用 ＩＳＳＮ １００３—３２５４，ＣＯＤＥＮ ＣＳＡＯＢＮ
Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ＆ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１８，２７（８）：２８—３４［ｄｏｉ：１０ １５８８８￣．ｃｎｋｉ．ｃｓａ．００６５２５］ ◎中国科 学 院软件 研 究所版 权所 有
Ｅ—ｍａｉｌ：ｃｓａ＠ｉｓｃａｓ．ａｃ．ｃｎ
Ｔ０ＮＧ Ｊｉ—Ｊｕｎ，ＣＨ ＡＮ Ｇ Ｘｉａｏ—Ｌｏｎｇ，ＺＨＡ Ｏ Ｙ ｉｎｇ．Ｊｉｅ．ＪＩＡＮＧ Ｌｕ．Ｒｏｎｇ （Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｅｊｉａｎｇ Ｓｃｉ—Ｔｅｃｈ Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ ３１００１８，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａ ｉｍ ｉｎｇ ａｔ ｔｈｅ ｉｓｓｕｅｓ ｏｆ ｒｅａｌ－ｔｉｍ ｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｐｏｓｉｔｉｏｎｉｎｇ ｏｆ ｍ ｏｖｅｍ ｅｎｔ ｔａｒｇｅｔ ａ ｍ ｅｔｈｏｄ ｏｆ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｉｓ