发布时间：
1、选题是至关重要的，在你写一篇文章的时候你就得构造好思路写什么，也可以浏览互联网找到题材，列一个清单，最后选择你感兴趣的话题。选择一些你感兴趣的东西是很重要的，因为在这种情况下，你有动力深入讨论这个话题。在开始写作之前，阅读至少10-15个信息源。创建3-5个主题，然后选择其中一个。2、有时学生更喜欢使用复杂的单词、短语和表达来吸引读者。然而，这不是正确的策略，因为读者倾向于选择简单的文本来阅读，而不是在复杂的表达中沉思。例如，你可以用“帮助”而不是“促进”或“使用”而不是“利用”。把复杂的单词留给教授，用简单易懂的语言与人交谈，而不用让读者花很多时间去阅读。3、简短的句子和段落易于阅读和理解。根据科学的说法，复杂性多了会造成混乱，但是让读者感到困惑并不是您最初的目标。在写段落时遵循同样的原则:试着阅读报纸上的一篇文章，你会明白在阅读短段落时更容易处理信息。如果你在写一篇文章或一篇博客文章，你可以使用一种非正式的风格，但是在一篇学术文章中制造短句和段落并不容易。因此，要记住你的论文是写给谁看的。4、作为一名作家，内容尽量简明扼要，但是要具体。我们都珍惜时间。因此，不要浪费你的时间或你的读者的时间，并用一个清晰和简洁的方式表达你的想法。我们保证，通过这种方式，您可以吸引许多忠实的读者。但是，不要错过任何重要的细节。不是说你在花园里种了很多水果而不认识它们就没事，如果你能详细说明这些水果的名称就更好了，比如李子、苹果和梨。
如何写论文？很多人都会告诉你，写论文的第一步是要先阅读大量文献。
为什么呢？你的导师身经百战阅文无数，祥衡他不会知道你连最起码的论文是什么东西都没搞清楚。但事实上大部分人第一次写毕业论文的时候，确实根本没搞明白论文是什么东西。甚至没见过一篇像样的论文。在这种情况下，大量看文献是只会耽误时间，而且看的越多越乱。
因为每一篇文献都很长，有很多论文用词语序又非常涩(可能是降重的后果)，如果从头读到尾需要花很长时间。再次，你如果从来没有写过论文，可能无法分辨论文中的垃圾和精华，知网上的论文多如牛毛，毫不夸张的说，很多垃圾文献，读完之后对你的研究成果毫无帮助。就好比，你从来没进过厨房，连菜都不会选不会切，就开始弊答看研读大厨的菜谱，准备做一道大菜了，是不是感觉少了什么步骤？
因此，在你弄清论文结构之前，千万不要贸然下载一堆文献(讲真下载谨携做了你也看不下去)。因此建议写论文的第一步：你需要隐清搞清楚一篇合格毕业论文的结构是什么。不管你是本科还是研究生，不管是文科商科还是理工科，毕业论文都穗备山有着相对固定的结构。毕业论文一般分为5-6个章节。(根据每个学校或学科的要求可能有些差异，但万变不离其宗，基本都是这个结构)第一章：绪论第二章：理论基础(或文献综述)第三章：研究假设第四章：论证过程第五章：研究结论第六章：研究不足与展望虽然每个学科的标题和内容不完全一样，但体都是这个思路，并且这几个章节环环相扣，每一章都需要有前一章的佐证。
第一章：绪论第一章一般包含几个二级标题：分别为：研究背景、研究目的和意义、研究方法、论文结构等……一听标题你就应该知道，这一部分基野埋本都是空话套话，主要讲的是研究背景和目的，你既租岁慧然选了这个选题，这些内容闭着眼都能写出来，建议先做到脑中有个初步思路即可，不用着急写，建议放在论文的最后时间来写。(不建议论文按照章节顺序来写，比如绪论部分就可以放在偏后的位置。)关于写作顺序我会在第二步氏信握说。
第二章：理论基础(或叫文献综述)部分相对还是比较重要的，因为写论文与写其他文章最大的不同就是你的每一句观点和结论都必须有出处一要么通过你自己的实验论证，要么需要有前人的研究成果作为支持。因此这一部分的歼庆内容相当于盖楼的地基。但从另一个角度说，这一部分正因为是前人研究基础，很大一部分内容都是引用文献，基本上初稿都不用自己写的，所以也不用花太多时间，最后降重即可严格意义上说，必须是先有了理论基础才能往下一步进行的，但今天如果需要按常理出牌，我就不用来写回答了。既然说的是以毕业为目的完成论文，我给的技巧是：这一步可以放在核心部分之后写。(第二步中我会详细介绍写作顺序)。这里插一句引用文献，关于引用格式可以参考每个学校的引文标注规范。可以边写边标注，也可以写完再统一标注。
第三章：提出研究假设。它和第四章是全文写作的核心!请注意我说的是写作的核心，并非答辩和整个论文的核心(整个论文的核心一般是第坦猛三章和第五章)，但是对于写论文来说，这两个章节是我建议必须最先完成的。因为学科不同，这两个章雀游节的差异册扮较大，但是总的方向一致。我就拿我自己的论文(社会学类)举例吧。我的第三章内容是实证分析，包含的二级标题是访谈调研、研究假设与模型的建立、问卷设计与数据收集。简而言之第三章一般是在第二章的理论基础上论述你提出了怎样的研究假设。也是你整篇文论的核心观点。
第四章：论证过程。一般是在第三章提出研究假设的基础上，对收集来的数据进行分析的过程，以验证你的假设是否成立。这个滚穗部分一般在需要花的时间一般比较长(但非写作时间，而是研究的时间)，因为会有计算或者研究的过程。(而且如果做出来验证结果有问题，还得反复重新做)
第五章：研究结论。这一部分其实在整个论文中是极为非常重要的，尤其是应用类的学科。因为他不仅阐述你的研究过程得出了怎样的结论，你在第三章中提的假设到底哪些成立哪些不成立？而且关系到你的研究成果或论文的成果到底有什么意义，有没有实用价值。请记住：在论文写作时，第五章研究结论是重点，但不是难点。为什么这么说？因为只要你第三章和第四章搞定了，第五章的研究结论就是顺理成章的事情，基本上可以一气呵成文思泉涌但如果第三章和第四章裹足不前，或出现种种错误，那第五章也不要想写的顺利进行。因此再次强调：第三章和第四章才是写作的重难点。
第六章：就更为简单了：研究不足与展望。这一部分个人认为无关紧要，因为每一篇论文都不是完美的，当你写作的时候你一定能找出一万个缺陷，所以最后自我批评的时候挑几个不那么原则性的问题说一说，比如：调研对象范围不够广，理论模型可以再细化等等希望后人可以继续研究等简单展望一下。这里可以参考借鉴一下别人的文献都是怎样我批评和展望的，基本上都是一个套路。讲到这里，相信你对每一个章节的大体内容已经了解了下面就可以进入第二步，也是学姐认为针对你们这个阶段，开始写论文前比较重要的一步：写作顺序和时间的分配“简单操作”第二步：在搞清楚结构的基础上，安排好每个章节写作的先后顺序和时间投入。为什么我说安排写作顺序和时间分配非常重要？但凡写过论文的同学自己心里应该有点数，即使给你留够一年的时间写论文，你也一定会拖到不能再拖为止所谓DDL是第一生产力，说你有本事提前半年开始每天匀速有条不素的写论文我是不信的，谁不是最后被DDL逼疯，每天不眠不休的赶进度呢？因此用这个骚操作顺序，合理分配好时间投入以后，即使时间比较紧张，也依旧能如期且出色的完成论文。效率最高的写作顺序如下：先简单说一下为什么这样安排顺序：首先前文已经闸述了，第三四五三个章节是整篇论文的核心。其实当你在你准备选题的时候，这三章的计划就应该早已经有了雏形。如果是有实验的研究，可能需要早就把实验做的差不多了。所以一定要趁着研究过程还热乎着赶紧把核心部分写出来，这时候是效率最高的。如果完成了这四个章节，那你的论文初稿基本已经完成90%了、最后两个章节，第一章绪论和第六章不足与展望，那就是洒洒水啦，绝对轻飘飘的搞定。最后说一下时间分配：时间分配上，按照刚才写的写作顺序的章节：第三章(提出假设)——第四章(论证过程)——第五章(研究结论)——第二章(理论综述)——其他(随意)，依次送减。为什么这样安排时间呢？第一是重要性决定时间分配。这个上文已经阐述过了。第二是如果时间真的来不及，从第二章到最后的部分可以在查重前大段复制粘贴，先把初稿完成。再通过降重和修改的方式通过查重，以争取时间。第三步：下载相关文献阅读，只读核心部分虽然我不赞成一上来就阅读大量文献，但你完成了论文框架和第二步写作排序以后，就可以有针对性的下载和阅读文献了。但是阅读文献也是有技巧的：首先，通过前两步，你已经熟悉了论文的结构和套路，知道了每篇论文的核心在什么位置，那么你开始读文献的时候，一样只要看他的核心部分就可以了。一般先看摘要，大概只要花几分钟，如果觉得有点参考价值，先拉到第五章的研究结论，再看第三章的假设模型。基本这篇文章的核心内容就掌握了。通过筛选部分你认为有参考价值的文献，你只需要挑选几篇精华文章作为重点参考的内容。那你可能会问，自己写论文时需要的引用文献这么多，真的需要一一看完吗？嘿嘿，这里也分享一个技巧，你筛选的精华论文里，必然也有很多引用文章，所以你可以顺藤摸瓜，直接引用别人论文里引用的文献即可。第四步：按安排好的顺序开始写作。这一步其实已经在第二步中详细讲述了，这里只是提醒一下步骤，前面三步其实都是准备阶段，到这里才开始真正的动笔!第五步：交初稿初稿的写作是从0到1的过程，一定是痛且量大的，但记住，在初稿这个环节，因为工作量巨大，千万别追求完美，只要按我上面的方法，达到字数任务即可。这个时候完成比完美更重要!网上流传一句话：“当你把论文初稿糊完交上去的时候，你就成功的把痛苦转移到导师的身上了，因为他要愁怎么给你改论文。关于导师修改这个环节我不便多阐述，因为不同学校不同导师对论文的要求和审核程度天差地别，负责的导师会给你逐段批注修改，也有很多导师看都不会多看一眼。但不论是哪一种导师，你依然要切记，论文还是得靠自己。在这里非实名点赞我的导师，对我的论文修改十分仔细，甚至格式问题也都一一找出，让我在初稿后就不断优化细节问题，避免了不少麻烦。感动…….第六步：降重导师修改的差不多后，就是降重的环节了。写初稿时那时候糊弄的债要现在来偿还了，但不要被吓到，技术上并不是难事。建议第一遍降重的时候先从学校图书馆检测一下，会有详细的重复的地方标注，便于修改。如果学校提供的查重次数有限，也可以使用蝌蚪论文、维普等可靠的查重系统检测，然后根据查重报告进行修改降重。一般查重率最高的地方就是理论基础，因为可能存在大段大段复制粘贴的情况，以及引用内容较多。关于降重的方法，没有什么捷径，就是一句话一句话的修改，但是没有什么技术难度，只要用语文知识把别人的观点用自己的话重新阐述一遍就行了。这就是为什么我在前面让大家把理论基础不要放这么前面的位置开始写，也不用花太多时间先复制粘贴就好，等降重的时候再逐句修改，但此时已经没有什么难度了，需要的只是一点点时间。下面给大家附上一篇之前总结的一些论文降重技巧。第七步：排版，调整细节，提交终稿——请追求完美。关于排版和细节调整，千万不要小看。虽然每个学校对排版和规范性的要求不完全一样，但严谨的排版和避免低级错误是学术规范的体现，也能最大程度上避免答辩时导师对你学术不严谨的挑刺。这方面一般学校都会有自己的规范手册，主要是细心细心再细心!并严格按照要求来修改规范化。最后祝大家顺利完成毕业论文。
有一个月没更博客了，捂脸 o(￣=￣)d
端午回家休息了几天，6月要加油~
回到正文，HOG是很经典的一种图像特征提取方法，尤其是在行人识别领域被应用的很多。虽然文章是2005年发表在CVPR上的，但近十年来还没有被淹没的文章真的是很值得阅读的研究成果了。
key idea： 局部物体的形状和外观可以通过局部梯度或者边缘的密度分布所表示。
主要步骤：
上图为论文中提供的图，个人觉得我在参考资料中列出的那篇 博客 中给出的图可能更好理解一些。
具体细节： 关于每一个过程的详细解释还是在 这篇博客 中已经写得很清楚了，这里就不再搬运了。
文章中数据集的图像大小均为：64*128, block大小为16x16， block stride为8x8，cell size为8x8，bins=9（直方图等级数）；
获取到每张图的特征维度后，再用线性SVM训练分类器即可。
下图为作者而给出的示例图：
这两篇博客写的都很好，推荐阅读一波。
每到答辩时，大家几乎对于论文重复率还是比较关心的，因为大家都希望自己能顺利通过答辩拿到毕业证。综合目前一些情况来看，论文查重系统的重复率高于30％的硕博论文或学位论文，通常都会被要求重新修改，并且在相同的学习中，不会给予学生2次答辩机会，所以大家对于论文重复率这一方面还是比较重视的。那在进行实际检测的时候，通常也有更多的要求，一般来说对于学士学位的论文要求不要超过10％，在进行实际检测的过程当中，到底该怎样检测论文重复率？怎样选择论文查重系统？ 论文段落和格式 检测论文抄袭率要结合自己的实际情况来做有效检测论文检测基本上都是和整篇文章有直接性的关系，当整篇文章上传之后，论文检测的软件要对一部分文章进行划分，上交所有论文的时候，要确保最终的稿件格式对抄袭率会有较大影响，不同段落的划分可能就会造成更多小段落的检测出现问题，所以说我们一定要保证每一个段落划分的时候都是控制在合理的字数内，只有这样才能够发挥降低抄袭率的作用。 数据库 检测论文抄袭率的时候，如果大家想要通过数据库来进行有效检测的话，那么基本上就是针对于已经发表的毕业论文来进行检测，因为数据库里面的所有论文的收入都是已经发表过的，其实他们在数据库进行检测的时候，肯定也都会考虑到各种不同的匹配论文，有的数据库也还有一些网络上的文章在这里要告诉大家的，就是很多书籍并没有包含在检测的数据库当中，所以说参考文献一般来说在数据库里面可能查出来的概率并不是特别大。 章节变换 很多人在检测论文抄袭率的时候，也会考虑到通过变换章节的这种方式来进行有效检测，或者是说从不同的文章当中抽取不同的章节来进行拼凑，这样的话对于抄袭率检测的结果并没有太大影响。
目前,国内有大量的论文检测软件和平台,其中最权威的是知网,以及万方、维普等。“很明显,论文的检测是基于知网的!”杂志和大学都是基于知网的!因此,论文测试工具就是用知网。
你说的这个检测是指查重吗？如果是指查重的话，现在有非常多的查重软件，但是一般都需要根据字数付费使用。比如说知网上提供的就是比较权威的论文查重。
什么是论文重复
论文重复，民间说法是抄袭剽窃，换个更官方一点的定义就是学术不端。之所以叫学术不端，是因为前人辛辛苦苦研究出来的创新成果，或被简单粗暴地复制粘贴进文章里，或被用各种手段矫饰以达到掩人耳目的目的。
究其原因，一方面，成功发表一篇高质量学术论文，基本让人操碎了心，薅秃了头，实属不易。另一方面，论文的成功发表能带来巨大的利益（如获得毕业答辩资格、国家奖学金、升职称等），使得某些学生和科研人员甘愿铤而走险去充当「莽夫」走快速发表论文的捷径，即论文抄袭或造假。
为了规范学术诚信和严谨的风格，制止剽窃的不公平行为，孕育了学术不端检测和学术不端行为的调查处理。随着近年来学术不端行为越发增多，有关科技部门陆续加大了调查和惩罚力度。例如，科技部在 2020 年通报 9 起论文造假查处结果，其中 7 起涉及论文买卖，相关责任人分别被处以终止承担的国家项目、追回项目资金、停止研究生招生资格等严厉处罚。相关论文的作者及其单位的声誉则遭受到了巨大的损失。
一篇论文的创作，需要建立在前人研究成果之上（如引言中的研究背景需要概括前人研究成果），所以在撰写中不可避免地会包含对前人成果的加工、吸收和利用。如果内容处理不当，则会造成内容重复。
中英文论文重复虽然有一定的相似性，但由于语言风格和形式有较大的差别，笔者此处对什么是中文论文重复和英文论文重复分别进行讲解。
中文论文重复
中文论文的抄袭及重复现象可以被概括为三种情况，根据重复程度由高到低依次为：
一、参考文献的类型
参考文献（即引文出处）的`类型以单字母方式标识，具体如下：
M——专著 C——论文集 N——报纸文章
J——期刊文章 D——学位论文 R——报告
对于不属于上述的文献类型，采用字母“Z”标识。
对于英文参考文献，还应注意以下两点：
①作者姓名采用“姓在前名在后”原则，具体格式是： 姓，名字的首字母. 如： Malcolm Richard Cowley 应为：Cowley, .，如果有两位作者，第一位作者方式不变，&之后第二位作者名字的首字母放在前面，姓放在后面，如：Frank Norris 与Irving Gordon应为：Norris, F. & .；
②书名、报刊名使用斜体字，如：Mastering English Literature，English Weekly。
二、参考文献的格式及举例
1.期刊类
【格式】[序号]作者.篇名[J].刊名，出版年份，卷号（期号）：起止页码.
【举例】
[1] 王海粟.浅议会计信息披露模式[J].财政研究，2004,21(1)：56-58.
[2] 夏鲁惠.高等学校毕业论文教学情况调研报告[J].高等理科教育，2004(1):46-52.
[3] Heider, . The structure of color space in naming and memory of two languages [J]. Foreign Language Teaching and Research, 1999, (3): 62 – 67.
2.专著类
【格式】[序号]作者.书名[M].出版地：出版社，出版年份：起止页码.
【举例】[4] 葛家澍，林志军.现代西方财务会计理论[M].厦门：厦门大学出版社，2001：42.
[5] Gill, R. Mastering English Literature [M]. London: Macmillan, 1985: 42-45.
3.报纸类
【格式】[序号]作者.篇名[N].报纸名，出版日期（版次）.
【举例】
[6] 李大伦.经济全球化的重要性[N]. 光明日报，1998-12-27(3).
[7] French, W. Between Silences: A Voice from China[N]. Atlantic Weekly, 1987-8-15(33).
4.论文集
【格式】[序号]作者.篇名[C].出版地：出版者，出版年份：起始页码.
【举例】
[8] 伍蠡甫.西方文论选[C]. 上海：上海译文出版社，1979：12-17.
[9] Spivak,G. “Can the Subaltern Speak?”[A]. In & L. Grossberg(eds.). Victory in Limbo: Imigism [C]. Urbana: University of Illinois Press, 1988, .
[10] Almarza, . Student foreign language teacher’s knowledge growth [A]. In and (eds.). Teacher Learning in Language Teaching [C]. New York: Cambridge University Press. 1996. .
5.学位论文
【格式】[序号]作者.篇名[D].出版地：保存者，出版年份：起始页码.
【举例】
[11] 张筑生.微分半动力系统的不变集[D].北京：北京大学数学系数学研究所, 1983：1-7.
6.研究报告
【格式】[序号]作者.篇名[R].出版地：出版者，出版年份：起始页码.
【举例】
[12] 冯西桥.核反应堆压力管道与压力容器的LBB分析[R].北京：清华大学核能技术设计研究院, 1997：9-10.
7.条例
【格式】[序号]颁布单位.条例名称.发布日期
【举例】[15] 中华人民共和国科学技术委员会.科学技术期刊管理办法[Z].1991—06—05
8.译著
【格式】[序号]原著作者. 书名[M].译者，译.出版地：出版社，出版年份：起止页码.
三、注释
注释是对论文正文中某一特定内容的进一步解释或补充说明。注释前面用圈码①、②、③等标识。
四、参考文献
参考文献与文中注（王小龙，2005）对应。标号在标点符号内。多个都需要标注出来，而不是1-6等等 ，并列写出来。
最后，引用毕业论文属于学位论文，如格式5
5.学位论文
【格式】[序号]作者.篇名[D].出版地：保存者，出版年份：起始页码.
【举例】
[11] 张筑生.微分半动力系统的不变集[D].北京：北京大学数学系数学研究所, 1983：1-7.
注释的具体标注方法如下：1.打开一个WORD文档,在文档内输入文字内容。2.光标移动到需要插入注释的文字处,点击菜单栏上的“引用-插入脚注”右下方的小图标。3.在打开的对话框中设置自定义标记格式为[1]。4.确认对话框后,光标位置处显示出上标[1],在尾部输入注释即可。
我们编写论文的时候，如果引用了别人的成果，一定要在论文中注明出处。那么文档中怎么标论文引用符号呢？下面我来演示一下。
论文在写作的过程中我们可能难免会引用到别人的观点或者是文章的某一段落，如果这些引用部分不加引用标志就会在论文查重的时候标注为抄袭。这样一来查重率就大大提高了，那么论文文献引用怎么标注呢？首先找到引用的论文文献，然后在工具栏中点击“引用”——“插入尾注”，这时可在段落的后面看到引用标志、页面下方有注释标志。点击引用栏脚注的下方“脚注和尾注”，在格式中可选择编号样式，点击“插入”即可。论文文献的引用插入好后，要在下面的注释处说明引用的是谁的哪篇文章，在后文的参考文献中也要添加该引用文献。这样就完整的添加完论文文献的标注了。论文很多情况还需要插入通讯作者的标注，操作方法和上面是一样的。但是在注释的地方需要插入通讯作者的信息即可。最后论文完成以后要记得初稿查重，查看一下查重率是否符合学校的要求以及引用部分添加的标注是否添加成功。
现在大学要想顺利毕业，都要写毕业论文，如果毕业论文没有达到学校的要求标准，就会延迟答辩，无法顺利毕业。那么下面就和小编一起来了解一下论文的相似度检测如何检测？ 毕业论文对于喜欢写作的学生来说会有一些困难，更何况对于不喜欢写作的学生来说，难度会更大。很多同学觉得论文难就难在论文检测这一环节上，因为论文重复率太高就达不到标准，而且论文降重的难度也很大。所以大家在把论文提交到学校之前，都会先找一些检测软件来检测论文的重复率，论文的相似性检测我们都是借助于论文检测系统，论文检测系统有自己独特的检测方法，我们只需把论文上传上去，论文检测系统就会把论文和自己的数据库中的资源一一对比，连续13个字重复这段话就被判定为重复，所以说论文检测的力度还是很大的，它是以13个字为基础的。 一般建议大家在前面查重时可以选择Papefree这个免费的论文检测系统，这个软件安全可靠，检测出的重复率也比较严格，我们还可以根据查重报告来降低论文的重复，可以边修改边检测真的很方便。 毕业论文对毕业生来说真的很重要，所以学生不应该认真对待事情，而应该用心去完成，多从自己的角度去思考，这样也可以有效地避免和别人的论文太相似。
上中国知网去查，那里的论文最全也最专业，查出的结果也是比较靠谱的。但是价格不便宜，某宝上也有类似的服务，不过别的网站上准确率没有保证。要看你是什么情况了，要是一般的本科论文，没什么大必要查重。
中国知网自己查重的方法如下：
电脑：华为MateBook。
系统：Windows10。
软件：谷歌浏览器。
1、打开电脑的浏览器，百度搜索“中国知网论文查重检测系统入口”。
2、点击进入到对应的官方网站，注意需要是知网的查重网站。
3、在官网首页，选择顶部页签中的“论文查重入口”选项。
4、在下拉选项中，点击选择本科论文检测或者研究生论文检测。
5、进入检测系统详情页后，点击“立即检测”按钮，进入检测流程。
6、填写好论文信息，并上传论文；支付费用后即可进行检测。
查重服务
2022年6月12日凌晨，同方知网（北京）技术有限公司在中国知网官方网站以及中国知网微信公众号发布公告：即日起，中国知网向个人用户直接提供查重服务。
论文的相似度的检测是那些检测软件，根据对比中国知网万方数据库等等各大论文资源网对比之后得出来的检测结果。
运动目标检测与跟踪算法研究 视觉是人类感知自身周围复杂环境最直接有效的手段之一， 而在现实生活中 大量有意义的视觉信息都包含在运动中，人眼对运动的物体和目标也更敏感，能 够快速的发现运动目标， 并对目标的运动轨迹进行预测和描绘。 随着计算机技术、 通信技术、图像处理技术的不断发展，计算机视觉己成为目前的热点研究问题之 一。 而运动目标检测与跟踪是计算机视觉研究的核心课题之一， 融合了图像处理、 模式识别、人工智能、自动控制、计算机等众多领域的先进技术，在军事制导、 视觉导航、视频监控、智能交通、医疗诊断、工业产品检测等方面有着重要的实 用价值和广阔的发展前景。 1、国内外研究现状 运动目标检测 运动目标检测是指从序列图像中将运动的前景目标从背景图像中提取出来。 根据运动目标与摄像机之间的关系， 运动目标检测分为静态背景下的运动目标检 测和动态背景下的运动目标检测。 静态背景下的运动目标检测是指摄像机在整个 监视过程中不发生移动； 动态背景下的运动目标检测是指摄像机在监视过程中发 生了移动，如平动、旋转或多自由度运动等。 静态背景 静态背景下的运动目标检测方法主要有以下几种： （1）背景差分法 背景差分法是目前最常用的一种目标检测方法， 其基本思想就是首先获得一个 背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断 此像素属于运动目标，否则属于背景图像。利用当前图像与背景图像的差分来检 测运动区域，一般能够提供比较完整的特征数据，但对于动态场景的变化，如光 照和外来无关事件的干扰等特别敏感。 很多研究人员目前都致力于开发不同的背 景模型，以减少动态场景变化对运动目标检测的影响。背景模型的建立与更新、 阴影的去除等对跟踪结果的好坏至关重要。 背景差分法的实现简单，在固定背景下能够完整地精确、快速地分割出运动 对象。不足之处是易受环境光线变化的影响，需要加入背景图像更新机制，且只 对背景已知的运动对象检测比较有效， 不适用于摄像头运动或者背景灰度变化很 大的情况。 （2）帧间差分法 帧间差分法是在连续的图像序列中两个或三个相邻帧间， 采用基于像素的时 间差分并阈值化来提取图像中的运动区域。 帧间差分法对动态环境具有较强的自 适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产 生空洞现象。因此在相邻帧间差分法的基础上提出了对称差分法，它是对图像序 列中每连续三帧图像进行对称差分，检测出目标的运动范围，同时利用上一帧分 割出来的模板对检测出来的目标运动范围进行修正， 从而能较好地检测出中间帧 运动目标的形状轮廓。 帧间差分法非常适合于动态变化的环境，因为它只对运动物体敏感。实际上 它只检测相对运动的物体，而且因两幅图像的时间间隔较短，差分图像受光线 变化影响小，检测有效而稳定。该算法简单、速度快，已得到广泛应用。虽然该 方法不能够完整地分割运动对象，只能检测出物体运动变化的区域，但所检测出 的物体运动信息仍可用于进一步的目标分割。 （3）光流法 光流法就充分的利用了图像自身所携带的信息。在空间中,运动可以用运动 场描述,而在一个图像平面上,物体的运动往往是通过图像序列中图像灰度分布 的不同来体现,从而使空间中的运动场转移到图像上就表示为光流场。所谓光流 是指空间中物体被观测面上的像素点运动产生的瞬时速度场， 包含了物体表面结 构和动态行为等重要信息。 基于光流法的运动目标检测采用了运动目标随时间变 化的光流特性，由于光流不仅包含了被观测物体的运动信息，还携带了物体运动 和景物三位结构的丰富信息。 在比较理想的情况下,它能够检测独立运动的对象, 不需要预先知道场景的任何信息,可以很精确地计算出运动物体的速度,并且可 用于动态场景的情况。 但是大多数光流方法的计算相当复杂,对硬件要求比较高, 不适于实时处理,而且对噪声比较敏感,抗噪性差。并且由于遮挡、多光源、透明 性及噪声等原因，使得光流场基本方程——灰度守恒的假设条件无法满足，不能 正确求出光流场，计算方也相当复杂，计算量巨大，不能满足实时的要求。 动态背景 动态背景下的运动目标检测由于存在着目标与摄像机之间复杂的相对运动， 检测方法要比静态背景下的运动目标检测方法复杂。常用的检测方法有匹配法、 光流法以及全局运动估计法等。 2、运动目标跟踪 运动目标跟踪是确定同一物体在图像序列的不同帧中的位置的过程。 近年来 出现了大批运动目标跟踪方法，许多文献对这些方法进行了分类介绍，可将目标 跟踪方法分为四类：基于区域的跟踪、基于特征的跟踪、基于活动轮廓的跟踪、 基于模型的跟踪，这种分类方法概括了目前大多数跟踪方法，下面用这种分类方 法对目前的跟踪方法进行概括介绍。 (1)基于区域的跟踪 基于区域的跟踪方法基本思想是： 首先通过图像分割或预先人为确定提取包 含目标区域的模板，并设定一个相似性度量，然后在序列图像中搜索目标，把度 量取极值时对应的区域作为对应帧中的目标区域。 由于提取的目标模板包含了较 完整的目标信息，该方法在目标未被遮挡时，跟踪精度非常高，跟踪非常稳定， 但通常比较耗时，特别是当目标区域较大时，因此一般应用于跟踪较小的目标或 对比度较差的目标。该方法还可以和多种预测算法结合使用，如卡尔曼预测、粒 子预测等，以估计每帧图像中目标的位置。近年来，对基于区域的跟踪方法关注 较多的是如何处理运动目标姿态变化引起的模板变化时的情况以及目标被严重 遮挡时的情况。 (2)基于特征的跟踪 基于特征的跟踪方法基本思想是：首先提取目标的某个或某些局部特征，然 后利用某种匹配算法在图像序列中进行特征匹配，从而实现对目标的跟踪。该方 法的优点是即使目标部分被遮挡，只要还有一部分特征可以被看到，就可以完成 跟踪任务，另外，该方法还可与卡尔曼滤波器结合使用，实时性较好，因此常用 于复杂场景下对运动目标的实时、 鲁棒跟踪。 用于跟踪的特征很多， 如角点边缘、 形状、纹理、颜色等，如何从众多的特征中选取最具区分性、最稳定的特征是基 于特征的跟踪方法的关键和难点所在。 (3)基于活动轮廓的跟踪 基于活动轮廓的跟踪方法基本思想是：利用封闭的曲线轮廓表达运动目标， 结合图像特征、曲线轮廓构造能量函数，通过求解极小化能量实现曲线轮廓的自 动连续更新，从而实现对目标的跟踪。自Kass在1987年提出Snake模型以来，基 于活动轮廓的方法就开始广泛应用于目标跟踪领域。相对于基于区域的跟踪方 法，轮廓表达有减少复杂度的优点，而且在目标被部分遮挡的情况下也能连续的 进行跟踪，但是该方法的跟踪结果受初始化影响较大，对噪声也较为敏感。 (4)基于模型的跟踪 基于模型的跟踪方法基本思想是： 首先通过一定的先验知识对所跟踪目标建 立模型，然后通过匹配跟踪目标，并进行模型的实时更新。通常利用测量、CAD 工具和计算机视觉技术建立模型。主要有三种形式的模型，即线图模型、二维轮 廓模型和三维立体模型口61，应用较多的是运动目标的三维立体模型，尤其是对 刚体目标如汽车的跟踪。该方法的优点是可以精确分析目标的运动轨迹，即使在 目标姿态变化和部分遮挡的情况下也能够可靠的跟踪， 但跟踪精度取决于模型的 精度，而在现实生活中要获得所有运动目标的精确模型是非常困难的。 目标检测算法，至今已提出了数千种各种类型的算法，而且每年都有上百篇相 关的研究论文或报告发表。尽管人们在目标检测或图像分割等方面做了许多研 究，现己提出的分割算法大都是针对具体问题的，并没有一种适合于所有情况的 通用算法。 目前， 比较经典的运动目标检测算法有： 双帧差分法、 三帧差分法(对 称差分法)、背景差法、光流法等方法，这些方法之间并不是完全独立，而是可 以相互交融的。 目标跟踪的主要目的就是要建立目标运动的时域模型， 其算法的优劣直接影响 着运动目标跟踪的稳定性和精确度， 虽然对运动目标跟踪理论的研究已经进行了 很多年，但至今它仍然是计算机视觉等领域的研究热点问题之一。研究一种鲁棒 性好、精确、高性能的运动目标跟踪方法依然是该研究领域所面临的一个巨大挑 战。基于此目的，系统必须对每个独立的目标进行持续的跟踪。为了实现对复杂 环境中运动目标快速、稳定的跟踪，人们提出了众多算法，但先前的许多算法都 是针对刚体目标，或是将形变较小的非刚体近似为刚体目标进行跟踪，因而这些 算法难以实现对形状变化较大的非刚体目标的正确跟踪。 根据跟踪算法所用的预 测技术来划分，目前主要的跟踪算法有：基于均值漂移的方法、基于遗传算法的 方法、基于Kalman滤波器的方法、基于Monto Carlo的方法以及多假设跟踪的方 法等。 运动检测与目标跟踪算法模块 运动检测与目标跟踪算法模块 与目标跟踪 一、运动检测算法 1.算法效果 算法效果总体来说，对比度高的视频检测效果要优于对比度低的视频。 算法可以比较好地去除目标周围的浅影子，浅影的去除率在 80%以上。去影后目标的 完整性可以得到较好的保持，在 80%以上。在对比度比较高的环境中可以准确地识别较大 的滞留物或盗移物。 从对目标的检测率上来说，对小目标较难进行检测。一般目标小于 40 个像素就会被漏 掉。对于对比度不高的目标会检测不完整。总体上来说，算法在对比度较高的环境中漏检率 都较低，在 以下，在对比度不高或有小目标的场景下漏检率在 6%以下。 精细运动检测的目的是在较理想的环境下尽量精确地提取目标的轮廓和区域， 以供高层 进行应用。同时在分离距离较近目标和进行其它信息的进一步判断也具有一定的优势。 反映算法优缺点的详细效果如下所示： 去影子和完整性 效果好 公司内视频 左边的为去影前，右边的 为去影后的结果，可以看出在 完整 性和去影率上 都有所 突 出。 这两个视频的共周特点 城市交通 是，影子都是浅影子，视频噪 声不太明显。目标与背景的对 比度比较高。 效果差 这两个视频的特点是影子 都是深影子。虽然影子没有去 掉，但是物体的完整性是比较 高的。主要原因就是场景的对 路口，上午 十点 比度比较高。 滞留物检测和稳定性 效果好 会议室盗移 效果好的原因，一是盗移或 滞留目标与背景对比度较大，二 是目标本身尺寸较大。 另外盗移物或滞留物在保持 各自的状态期间不能受到光照变 化或其它明显运动目标的干扰， 要不然有可能会造成判断的不稳 定。 效果差 会议室 遗留 物 大部分时间内，滞留的判断 都是较稳定的，但是在后期出现 了不稳定。主要原因是目标太小 的原故。 因此在进行滞留物判断时， 大目标，对比度较高的环境有利 于判断的稳定性和准确性。 漏检率 效果好 城市交通 在对比度高的环境下， 目标相对都较大的情况下 （大于 40 个像素） 可以很 ， 稳定的检测出目标。 在这种 条件下的漏检率通常都是 非常低的，在 以下。 效果差 行人－傍晚 和“行人”目录下 的 其 它 昏 暗 条件 下的视频 在对 比度较低的 情况 下，会造成检测结果不稳 定。漏检率较高。主要原因 是由于去影子造成的。 这种 对比度下的漏检率一般在 6%以下。 除了 对比度低是 造成 漏检的原因外， 过小的目标 也会造成漏检，一般是 40 个像素以下的目标都会被 忽略掉。 算法效率内存消耗（单位：b） .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 运动区域占 2/3 左右时 CPU 占用率 一帧耗时 Max:57% Min: Avg: Max:23 Min: Avg:15 运动区域占 1/3 左右时 Max:45% Min: Avg:20% Max:18 Min: Avg:8 检测参数说明 检测参数说明 检测到的滞留物或盗走物的消失时间目前分别设定在 200 帧和 100 帧， 可以通过参数来 自行调整。 目前目标与背景的差异是根据局部光照强度所决定的， 范围在 4 个像素值以上。 目前参 数设置要求目标大小要在 20 个像素以上才能被检测到，可以通过参数来自行调整。 目标阴影的去除能力是可以调整的， 目前的参数设置可以去除大部分的浅影子和较小的 光照变化。 适用环境推荐光照条件较好（具有一定的对比度）的室内环境或室外环境。不易用它去检测过小的目 标，比如小于 40 个像素的目标。室外环境不易太复杂。输出目标为精细轮廓目标，可以为 后面高层应用提供良好的信息。 二、目标跟踪 稳定运行环境要求此版本跟踪算法与运动检测算法紧密结合， 对相机的架设和视频的背景环境和运动目标 数量运动方式有一定要求： 背景要求： 由于运动跟踪是基于运动检测的结果进行的， 所以对背景的要求和运动检测一样， 背景要求： 运动目标相对于背景要有一定反差。 运动目标：由于运动检测中，对较小的目标可能过滤掉。所以运动目标的大小要符合运动检 运动目标： 测的要求。运动目标的速度不能太大，要保证前后帧运动目标的重合面积大于 10 个像素。此阈值可修改(建议不要随意修改，过小，可能把碎片当成原目标分 裂出来的小目标，过大，可能失去跟踪。当然可试着调节以适应不同场景)。该 算法对由于运动检测在地面上产生的碎片抗干扰性比较差， 运动目标和碎片相遇 时，容易发生融合又分离的现象，造成轨迹混乱。消失目标和新生目标很容易当 成同一目标处理，所以可能出现一个新目标继承新生目标的轨迹。 运动方式： 运动目标的最大数量由外部设定。 但运动跟踪对运动目标比较稀疏的场景效果比 运动方式： 较好。 算法对由于运动检测在运动目标上产生的碎片有一定的抗干扰。 算法没对 物体的遮挡进行处理。对于两运动目标之间的遮挡按融合来处理。 拍摄角度： 拍摄角度：拍摄视野比较大，且最好是俯视拍摄。
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：
能不能给我发一份呢？