本科毕业设计__基于视频的目标跟踪及人群密度估计方法研究开题报告
基于FPGA的视频监控跟踪系统的设计与实现的开题报告
基于FPGA的视频监控跟踪系统的设计与实现的开题报告一、课题背景和研究意义视频监控技术在实际应用中具有重要意义，广泛用于各种领域，如安防监控、交通监控、环境监控等。
视频监控技术的高效性和实时性对算法和硬件设备的要求都很高，因此利用FPGA实现视频监控跟踪系统，不仅可以提高实时性能，还可以适应不同的监控场景，实现更精确的目标跟踪。
本课题的研究意义在于：1.提高视频监控技术的实时性能和准确性；2.利用FPGA实现视频处理硬件，提高处理效率；3.研究视频跟踪算法，实现目标实时定位和跟踪；4.探索适用于不同场景的监控跟踪方案，提高监控效果。
二、研究内容和研究方法1.研究基于FPGA的视频处理系统设计，包括视频采集、预处理、编码、解码等模块的设计与实现；2.研究基于深度学习的视频目标检测算法，在FPGA硬件平台上实现目标检测，并将结果传输至下一级处理模块；3.研究视频跟踪算法，实现目标的实时定位和跟踪；4.探索不同场景下的视频处理方案，提高监控效果和灵活性。
研究方法：1.对视频采集、处理、传输等模块进行需求分析，设计相应的视频处理系统；2.调查目标检测与跟踪算法，建立相应的模型；3.将开发好的算法和模型应用于FPGA平台上，并进行性能测试；4.根据实验结果和用户反馈，对系统进行优化和改进。
三、研究目标和预期成果1.完成基于FPGA的视频监控跟踪系统设计与实现；2.实现视频的实时采集、处理、传输和存储；3.实现目标检测和跟踪算法，提高监控效果和准确性；4.提高系统的可靠性、实时性和处理效率；5.验证系统在不同场景下的监控能力和应用性。
四、进度计划第一阶段：系统需求分析和设计（2个月）1.对视频监控需求进行分析，确定系统的功能和性能指标；2.设计视频采集、处理、传输和存储模块；3.研究并选择合适的目标检测和跟踪算法。
第二阶段：系统开发与实现（6个月）1.搭建完整的视频监控跟踪系统，实现视频的预处理、编码、解码等模块；2.学习深度学习等相关技术，实现目标检测和跟踪算法；3.进行系统测试和调试，优化系统性能。
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪是计算机视觉领域的重要研究方向之一，其应用广泛，包括视频监控、人机交互、自动驾驶等领域。
目标跟踪算法的主要任务是在视频序列中，对特定目标进行定位和跟踪。
本文旨在全面综述目标跟踪算法的研究现状、基本原理、技术方法以及发展趋势。
二、目标跟踪算法的基本原理目标跟踪算法的基本原理是通过提取目标特征，在视频序列中寻找与该特征相似的区域，从而实现目标的定位和跟踪。
根据特征提取的方式，目标跟踪算法可以分为基于特征的方法、基于模型的方法和基于深度学习的方法。
1. 基于特征的方法：该方法主要通过提取目标的颜色、形状、纹理等特征，利用这些特征在视频序列中进行匹配和跟踪。
其优点是计算复杂度低，实时性好，但容易受到光照、遮挡等因素的影响。
2. 基于模型的方法：该方法通过建立目标的模型，如形状模型、外观模型等，在视频序列中进行模型的匹配和更新。
其优点是能够处理部分遮挡和姿态变化等问题，但模型的建立和更新较为复杂。
3. 基于深度学习的方法：近年来，深度学习在目标跟踪领域取得了显著的成果。
该方法主要通过训练深度神经网络来提取目标的特征，并利用这些特征进行跟踪。
其优点是能够处理复杂的背景和目标变化，但需要大量的训练数据和计算资源。
三、目标跟踪算法的技术方法根据不同的应用场景和需求，目标跟踪算法可以采用不同的技术方法。
常见的技术方法包括基于滤波的方法、基于相关性的方法和基于孪生网络的方法等。
1. 基于滤波的方法：该方法主要通过设计滤波器来对目标的运动进行预测和跟踪。
常见的滤波方法包括卡尔曼滤波、光流法等。
2. 基于相关性的方法：该方法通过计算目标与周围区域的相关性来实现跟踪。
常见的相关性方法包括基于均值漂移的算法、基于最大熵的算法等。
3. 基于孪生网络的方法：近年来，基于孪生网络的跟踪算法在准确性和实时性方面取得了显著的进步。
该方法通过训练孪生网络来提取目标和背景的特征，并利用这些特征进行跟踪。
视频监控中的人数统计和人群密度分析的开题报告
视频监控中的人数统计和人群密度分析的开题报告一、选题背景和意义随着科技的不断进步发展，视频监控系统得到了广泛的应用，已成为了现代城市安全防范、监督管理和交通运输等重要领域的基础设施。
而人数统计和人群密度分析是视频监控系统中非常基础而且重要的一个功能，可以帮助用户了解监控区域内的人流状况，从而更好地实现监控预警、疏导人流等目的。
本课题旨在研究视频监控中的人数统计和人群密度分析技术，通过对监控视频进行特征提取和图像处理，实现对人数和人群密度的实时统计和分析，提高视频监控系统的智能化程度，为城市安全管理和交通规划提供技术支持。
二、研究内容和方法本项目主要研究内容包括以下几个方面：1.监控视频人数统计：利用图像处理技术，对监控视频中的人影进行特征提取和跟踪识别，从而实现对监控区域内人数的实时统计。
2.监控视频人群密度分析：基于人数统计的基础上，采用密度图分析法，对监控区域内的人群分布情况进行分析，提供人流密集区分布图，并通过警报系统提前预警人流拥堵。
3.视频数据压缩和存储：针对大数据量视频监控数据的问题，采用数据压缩和存储技术，降低系统运行成本和存储负荷。
研究方法主要包括以下几个步骤：1.基于深度学习的人影目标检测和跟踪算法，对监控视频中的人影进行实时跟踪并进行统计分析。
2.采用密度图分析法，根据人群的分布情况，对监控区域内的人流密集区域进行标注，并通过人流预警系统提前预警。
3.采用前后背景差分法和高斯混合模型法对监控视频数据进行压缩存储，降低系统运行成本和存储负荷。
三、研究意义本课题的研究意义主要有以下几点：1.提高视频监控系统的智能化程度和数据处理能力，为城市安全管理和交通规划提供技术支持。
2.缩短视频监控数据的处理时间，对预警和疏导人流等应急处理提供及时准确的支持。
3. 提高视频监控系统的数据利用效率和运行成本，节约资源投入，降低管理成本。
四、预期成果和进度安排1.预期成果（1）实现对人数和人群密度的实时统计和分析，并提供人流密集区分布图。
基于OpenCV的运动目标检测与跟踪的开题报告
基于OpenCV的运动目标检测与跟踪的开题报告1.问题描述动态目标检测与跟踪是计算机视觉领域的重要研究方向之一，其应用范围涉及视频监控、智能交通、人机交互等领域。
然而，传统方法对于场景复杂、目标运动快速、遮挡等情况处理效果不佳，需要更高精度、更高效率的算法解决这些问题。
2.研究目标本研究拟使用OpenCV库，运用图像处理、计算机视觉、机器学习等方法，实现运动目标的检测与跟踪，达到以下目标：（1）快速准确地检测运动目标，识别目标的运动轨迹；（2）针对遮挡、光照变化等问题，采用定位、成像、跟踪等多种策略，提高目标检测的精度；（3）针对运动目标的运动速度、方向等多种属性，进行多角度、综合性的分析和研究，建立适用于实际应用的算法。
3.研究方法和技术路线（1）建立视频采集平台。
使用摄像机获取实时视频流，并对数据进行采集、预处理，并应用OpenCV库实现视频流后处理。
（2）建立运动目标检测算法。
运用图像处理算法进行前景/背景分类、形态学滤波等操作，采用一系列特征提取的方法刻画像素点的特征，采用分类器实现目标检测。
（3）针对复杂场景、遮挡等问题，采用多特征、多分类器等方法进行重新整合，进一步提高算法准确度。
（4）建立运动目标跟踪算法。
根据检测结果，利用卡尔曼滤波、粒子滤波等跟踪方法对运动目标进行跟踪。
（5）建立性能评估体系，基于指标和实际应用场景对所研发算法进行综合性评估。
4.预期结果基于OpenCV库进行运动目标检测与跟踪，在实验室实现的基础上，进行测试、优化，结合现有开源算法，最终达到高精度、高效率的运动目标检测与跟踪效果，具体评估指标包括精度、召回率、信噪比等。
同时，根据实际应用场景，通过算法参数的调整，进一步将算法实现优化，使其适用于各种应用场景。
基于深度学习的视频目标检测与跟踪算法研究
基于深度学习的视频目标检测与跟踪算法研究一、引言随着计算机视觉技术的飞速发展，视频目标检测与跟踪在许多领域中发挥着重要作用，如智能监控、自动驾驶、虚拟现实等。
基于深度学习的视频目标检测与跟踪算法，通过深度神经网络的训练与优化，能够在复杂场景中准确地检测出目标物体并进行实时跟踪，具有很高的实用价值。
本文将针对基于深度学习的视频目标检测与跟踪算法进行研究。
二、视频目标检测1.传统方法的不足在传统的视频目标检测算法中，主要采用的是基于特征工程的方法，需要人工提取出适合目标检测的特征并设计相应的分类器。
然而，这种方法存在着特征提取难、特征选择不准确等问题，限制了检测算法的性能。
在大量数据训练的情况下，特征工程的成本也很高。
2.基于深度学习的视频目标检测算法深度学习在计算机视觉领域中的应用逐渐兴起，特别是卷积神经网络（CNN）的兴起使得目标检测算法得到了极大的改善。
基于深度学习的视频目标检测算法主要通过训练一个深度神经网络，使其能够自动学习出目标物体的特征表示，并通过后续的分类器对目标进行识别与定位。
首先，深度神经网络通常包含多个卷积层和池化层，用于提取图像中不同层次的特征。
然后，通过全连接层将提取到的特征与标签进行匹配，训练网络模型。
最后，通过对新的图像样本进行前向传播，得到目标物体的识别和定位结果。
基于深度学习的视频目标检测算法相较于传统方法具有很多优势。
首先，深度神经网络能够自动学习出适用于目标检测的特征表达，避免了人工特征工程的复杂性。
其次，通过大规模数据的训练，深度学习模型能够提高目标检测的准确性和泛化能力。
此外，深度学习算法还能够处理大规模数据集，使得算法具备更好的实时性。
三、视频目标跟踪1.传统方法的不足传统的视频目标跟踪算法通常基于目标的运动模型或者外观模型，但是它们在面对复杂场景时往往表现不佳。
这是因为传统方法无法有效地应对目标形变、光照变化、遮挡等问题，且对复杂背景下的目标无法准确跟踪。
基于视频序列的目标检测与跟踪的开题报告
基于视频序列的目标检测与跟踪的开题报告一、研究背景随着计算机视觉技术的不断发展和深度学习算法的普及，目标检测和跟踪成为了计算机视觉领域的重要研究方向。
目标检测是指在图像或视频序列中，自动检测出图像或视频中的所有目标，并对其进行定位和分类。
目标跟踪是指在视频序列中，对一个或多个目标进行跟踪，以实现目标的轨迹跟踪。
目标检测和跟踪的应用广泛，包括智能交通领域中的车辆和行人监测、智能安防领域中的人脸识别和行为分析、无人机领域中的目标跟随等。
在实际应用中，视频序列中存在很多干扰因素，例如光照变化、目标尺度变化、目标遮挡等等，这些因素都会对目标检测和跟踪的结果产生影响。
因此，如何提高目标检测和跟踪的鲁棒性和准确性是一个重要的研究课题。
二、研究内容本文拟研究基于视频序列的目标检测与跟踪方法，具体研究内容如下：1. 探究目标检测和跟踪的常用算法，包括传统算法和深度学习算法，并选择其中几种具有代表性的算法进行深入研究和分析。
2. 针对视频序列中存在的干扰因素，研究如何提高目标检测和跟踪的鲁棒性和准确性，包括对目标尺度的自适应调整、对目标的遮挡和漏检的处理等。
3. 设计和实现一个基于视频序列的目标检测和跟踪系统，通过实验对系统进行验证和评价，包括系统的检测和跟踪准确率、系统的实时性和鲁棒性等。
三、研究意义本文的研究意义在于：1. 提供一种基于视频序列的目标检测和跟踪方法，拓展了计算机视觉领域中的研究方向。
2. 提高目标检测和跟踪系统的鲁棒性和准确性，为实际应用提供更为精准和可靠的技术支持。
3. 为其他相关研究提供参考和借鉴，推动计算机视觉技术的发展和应用。
四、研究方法本文主要采用文献调研、算法分析、系统设计和验证实验等方法进行研究。
具体步骤如下：1. 进行文献调研，了解目标检测和跟踪的研究现状和发展趋势，收集和整理相关论文和资料。
2. 对比并分析目标检测和跟踪的常用算法，筛选出具有代表性和优劣比较明显的算法进行深入研究。
目标跟踪系统设计开题报告
目标跟踪系统设计开题报告目标跟踪系统设计开题报告一、引言目标跟踪系统是一种广泛应用于计算机视觉领域的技术，它能够自动识别并跟踪感兴趣的目标。
该系统在许多领域中具有重要的应用价值，如视频监控、自动驾驶、无人机等。
本文将介绍目标跟踪系统的设计开题报告，包括问题陈述、研究目标、研究方法以及预期结果。
二、问题陈述目标跟踪系统的主要问题是如何准确地跟踪目标，并在目标出现遮挡、光照变化等情况下保持稳定的跟踪效果。
当前的目标跟踪算法在处理复杂场景时存在一定的局限性，需要进一步研究和改进。
三、研究目标本研究的目标是设计一种高效准确的目标跟踪系统，能够在复杂场景下实现稳定的目标跟踪。
具体来说，我们将研究以下几个方面的问题：1. 提高目标检测的准确性：通过引入深度学习技术，设计一种能够准确检测目标的算法，提高目标检测的准确性和鲁棒性。
2. 提高目标跟踪的稳定性：针对目标出现遮挡、光照变化等情况，设计一种能够自适应调整跟踪算法的方法，保持稳定的跟踪效果。
3. 提高目标跟踪的实时性：优化算法的计算效率，使得目标跟踪系统能够在实时场景下进行高效跟踪。
四、研究方法本研究将采用以下方法来实现研究目标：1. 数据集构建：收集大量的目标跟踪数据，包括各种场景下的目标图像和视频。
通过标注目标的位置和边界框，构建用于训练和评估的数据集。
2. 深度学习目标检测算法：使用深度学习技术，设计一种能够准确检测目标的算法。
我们将使用已有的深度学习框架，并结合目标跟踪的特点进行算法的改进和优化。
3. 自适应跟踪算法：针对目标出现遮挡、光照变化等情况，设计一种能够自适应调整跟踪算法的方法。
通过分析目标的特征变化，动态调整跟踪算法的参数，以保持稳定的跟踪效果。
4. 算法优化：优化算法的计算效率，使得目标跟踪系统能够在实时场景下进行高效跟踪。
我们将采用并行计算、硬件加速等技术来提高算法的运行速度。
五、预期结果通过以上研究方法，我们预期能够实现以下几个方面的结果：1. 提高目标检测的准确性：设计的目标检测算法能够在复杂场景下实现高准确性的目标检测。
开题报告,检测（共8篇）
开题报告,检测(共8篇)：开题检测报告开题报告范文开题报告怎么写怎么进行开题报告答辩篇一：毕业设计开题报告检查主要问题及注意事项毕业设计开题报告检查主要问题及注意事项1、选题需进一步按导师讲评意见修改，不宜过宽过大，尽可能明确具体，要可实现、可运行。
2、开题报告中文献综述撰写质量不合格，希望按文献综述要求写作并请校方导师审阅。
其中的参考文献也存在格式不规范的问题。
3、研究内容主要围绕以下几方面：系统的开发环境或平台；系统的整体架构；功能模块组成；系统实现（程序设计及源代码）等展开。
相当于毕业设计的写作纲要。
4、所使用的参考文献质量较低，数量不达10篇以上，这自然会影响毕业设计质量。
5、创新之处表述不合理，涉及多项内容，但事实上并无较大创新。
6、文档格式需要按附件规范。
篇二：空气检测的开题报告PM2.5空气检测和净化器徐逸夫，张鹏泄欲平，吕灵智篇三：行人检测开题报告篇一：开题报告l杭州电子科技大学毕业设计（论文）开题报告题目监控系统中的行人检测算法的实现学院通信工程专业信息对抗技术姓名刘清炼班级09083512学号09083218指导教师应娜一、综述本课题国内外研究动态，说明选题的依据和意义科学技术的快速发展，在给人带来利益和便利的同时，也给人带来了安全隐患。
如为保护某些具有较高的经济价值或技术优势的核心技术及机密而设立的禁区，交通工具的快速行驶等都会给人们带来安全隐患。
因此，监控系统（特别是智能监控系统）越来越受到人们的重视。
纵观各种影响社会安全稳定的事件，给人们带来严重损失的除不可控因素（地震、火山喷发等）外，主要是人的行为。
因此，在监控系统中实现行人检测将可以避免巨大的人身、经济等损失，也成为了国内外研究的热点。
目前，清华大学、浙江大学、上海交通大学计算机实验室以及中国科学院自动化研究所等是国内在行人检测研究上比较著名的高校或研究机构。
而且，中国科学院自动化研究所的生物识别与安全技术研究中心开发的人脸识别系统已经投入使用（2008 年北京奥运会和2010 年上海世博会等重大活动）。
- 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)。
上海交通大学
2012 级硕士学位论文开题报告登记表
学号姓名导师李建勋学科控制科学与工程学院(系、所) 电子信息与电气工程学院
学位论文题目稳健对地目标跟踪方法研究
研究课题来源国家自然科学基金、航天创新基金、中航613横向项目
课题的意义以及研究的主要内容
运动目标跟踪是视觉图像处理中的一个非常热门的话题，在多个领域有着广泛的应用。
运动目标跟踪的应用领域和环境主要有：对大型公共场所进行智能化视频监控、基于视频的人机交互、交通流量监测、医疗诊断等。
本文从计算机视觉角度研究对地目标跟踪方法。
由于视觉跟踪系统能在比较复杂的背景下，提取与分离市场内的目标、确定目标位置、估计目标运动趋势、实现对目标的实时跟踪，且具有跟踪精度高、跟踪状态平稳、抗干扰能力强、分辨率高和成本低等特点，在军事上很受重视。
在民用领域，对地目标跟踪也有着广泛的应用：对大型公共场所进行智能化视频监控。
例如在机场、商场、地铁站等场所进行智能化监控，其主要目的都是为了保障公众财产和信息安全。
在人群监测、交通管理上实现智能化有非比寻常的意义。
以以上应用为背景，本文的对地目标跟踪技术包含以下几个主要技术模块：单目标跟踪技术、多目标跟踪技术、密集目标跟踪技术。
分出这几个模块是为了应对不同的应用场景，或是在同一场景需要各模块的协同合作。
例如地铁站的人群流量具有明显时段特征，早晚上下班高峰人流极大，而其他时段人流量明显减少，这就需要对不同时段采用不同的跟踪方法以达到最好的效果。
在上下班高峰期，采用密集目标跟踪技术，而在其他时段，采用多目标跟踪技术，而在有特殊需要的时候，例如跟踪特定犯罪嫌疑人时，可采用单目标跟踪技术。
本文研究的主要内容具体有：
①粒子滤波基本方法研究，这是单目标跟踪方法的框架。
在图像跟踪应用中，目标状态的后验概率分布往往是非线性非高斯多模态的，粒子滤波方法对于系统模型没有特殊要求，且能够保持状态的多模态分布，在跟踪领域得到了很大的发展。
但常规粒子滤波跟踪算法存在计算量大、采样效率低等问题。
②粒子群最优化思想研究，改进常规粒子滤波采样效率低的问题，提高采样效率。
针对常规粒子滤波跟踪算法存在计算量大、采样效率低等问题，引入粒子群优化思想对目标状态后验分布进行最优搜索，找到后验分布的高似然区，并依据此高似然区来进行重采样。
③变结构多模型的设计，以更好的表征目标的运动模型。
几乎所有的方法对目标的运动状态都假定为平滑的，或者将运动限制在恒速或恒加速运动状态。
而实际情况并非如此，例如机动目标的运动状态就很难用单一模型来表征。
本文引入变结构多模型方法为目标建立变结构多运动模型。
变结构多模型方法能够很好的表征目标的运动模型却又不增加过多的计算量，因此相比单一运动模型能够更好的估计目标的运动。
④将先验信息模型引入目标跟踪系统，以得到更精确的跟踪效果。
包括在某些场景下，先验信息是可知的，这些信息可用来指导粒子先验分布以获得更精确的后验分布，而地理位置信息模型则是最常用也是最易获取的信息。
地理位置模型包含了跟踪场景里道路分布、建筑分布等信息，对目标的运动起到很好的约束作用，能够提高目标跟踪的精确度。
⑤结合在线学习与粒子滤波，以稳健的跟踪目标。
针对粒子滤波跟踪丢失目标后难恢复的问题，提出一种基于粒子滤波结合在线学习的稳健跟踪方法，使用粒子滤波有效的跟踪结果作为正训练样本不断更新样本库，以跟踪被遮挡和消失后再出现的目标。
⑤JPDA方法及MHT方法研究，以解决多目标之间可能产生的“错标识”问题。
多目标跟踪的主要问题在于处理多目标联合状态估计，又由于多数多目标跟踪情况均是非线性非高斯的多维的状态估计问题，在这种情况下，数据关联算法至关重要。
所谓数据关联就是将未标记的目标观测与对应目标的状态进行关联。
比较成熟的数据关联算法有JPDA方法及MHT方法。
然而两者的计算复杂度过大，特别是在视觉跟踪本身的大数据量情况下难以实际应用。
本文拟通过挖掘多目标间约束模型来简化JPDA或MHT的计算以使其能够实际应用。
⑥密集目标的运动估计。
在一幅幅复杂的密集目标图像中，如果依靠每个目标的个体信息来估计总体的运动，则必须要分离出每个个体的运动，然而这在密度大的情况下是不现实的，特别是当个体之间相互遮挡时这就变得更加困难。
本文拟从总体运动趋势入手，不借助于单独个体的信息，而是通过统计视频中宏块的运动矢量来进行总体运动估计。
⑦对本文提出的单目标跟踪算法、多目标算法、密集目标跟踪算法分别从跟踪准确性、跟踪成功率等各方面对各算法的有效性、稳健性进行评估。
课题的工作方案以实际应用为背景，为解决对地目标的跟踪监控问题，本文的工作方案为：一、研究单目标跟踪算法，以满足特殊情况下需要，例如跟踪特定嫌疑人等。
本文拟在粒子滤波框架下，用粒子群优化思想提高采样效率，用变结构多模型来对目标复杂的运动建模，结合在线学习来克服粒子滤波跟踪丢失目标后难恢复的问题。
二、研究多目标跟踪算法，在目标密度较小的情况下进行多目标跟踪。
本文拟在MHT框架下研究出能够实际应用于视觉跟踪系统的简易多目标跟踪方法。
三、研究密集型目标群跟踪算法，在目标密度较大情况下进行密集型目标群跟踪。
抛弃借助单独个体的运动信息来进行总体运动估计的方法，通过统计视频中宏块的运动矢量进行总体运动估计。
四、实现对地目标跟踪软件系统。
注：内容填不下时可自行加页。
课
题准研备究如有何无解困决难一、单目标的跟踪方法近年来各种跟踪方法层出不穷，主流算法主要有粒子滤波方法、mean-shift方法、tracking-by-detection等方法。
但几乎所有的方法对目标的运动状态都假定为平滑的，或者将运动限制在恒速或恒加速运动状态。
而实际情况并非如此，例如机动目标的运动状态就很难用单一模型来表征。
本文引入变结构多模型方法，结合粒子滤波方法进行视觉目标跟踪。
变结构多模型方法能够很好的表征目标的运动模型，因此相比单一运动模型能够更好的估计目标的运动。
二、多目标的跟踪方法主要在于解决目标发生重叠时的标识问题。
常用并比较成熟的方法有JPDA算法和MHT算法。
由于JPDA算法的复杂度与目标个数的阶乘成正比，为了降低计算量许多文献讨论了次优JPDA快速算法。
而理论的MHT 算法同样存在计算复杂度过高难以实际应用的问题，不少文献同样讨论了简约MHT算法。
本文拟挖掘多目标之间的运动关联性约束以提高JPDA或MHT算法的效率。
计划进度
2014.4—2014.5 单目标跟踪算法研究及软件实现 2014.6—2014.7 多目标跟踪算法研究及软件实现 2014.8—2014.10 密集目标跟踪算法研究及软件实现 2014.11—2015.1 整体软件整合及论文撰写
导
师
意
见
签名：年月日
学科审批意见开题报告时间：
参加人数 : 教师人，研究生人。
审查结果：□同意□不同意
签名：年月日
备注。