siamfc目标追踪算法训练模型，网络为alexnet，训练轮数为49轮。Fully-Convolutional Siamese Networks for Object Tracking ECCV2016

1.1 本文的研究背景及意义 近年来，随着数字电子技术的不断发展和计算机 CPU 性能的提高，基于图像处理的自 动监控技术在民用以及军用上有着大量的使用需求。传统的监控系统主要是通过一些传 感器等来实现数据的采集，许多重要的公共场所往往需要安装一些监控设施用来确保安 全，虽然通过摄像头可以在远处的地方观察受监控的环境情况，但是这种方法必须需要 有人长时间盯住显示器来获取图像信息，通过人脑的判断才能进行相应的识别。长时间 监控中，人很难达到一直聚精会神的状态，特别是在同时监控多台显示器时。因此，人 们对具有运动目标检测功能的监控系统的要求越来越迫切。为了解决这一问题，基于计 算机的辅助图像处理被广泛采用，一般通过计算机高级语言进行图像处理，实现对图像 中信息数据的采集和识别。从而提高监控效率。综上所述，运动目标检测技术可以大大 的减轻人类在监控方面的巨大工作压力。由于监控在各个场所可以实现不同的作用意义， 应用广泛，所以如何在实时监控中实现识别是图像发展中非常重要的一个环节。 目前，基于视频图像的运动目标检测与跟踪技术是计算机视觉领域中最重要的研究 内容之一，它是智能监控、人机交互和机器导航等领域应用的基础和关键技术。随着数 字电路的飞速发展，FPGA 的出现为数字图像处理在算法和结构上带来新的解决方法和设 计思路，这是因为图像中的所有像素都可以执行相同的操作，非常适合于采用 FPGA 的并 行架构通过硬件实现。对于数字图像处理，底层图像处理的数据量很大，要求处理速度 快，但运算结果相对简单。以 FPGA 作为核心系统，实现图像处理的并行化，非常适合于 对图像进行处理。 因此，使用 FPGA 平台进行图像处理以及运动目标检测与追踪具有重要的研究意义。 1.2 国内外研究现状与发展趋势 1.2.1目标检测与跟踪算法 在过去的几十年中，人们在运动目标检测方面做大量的理论研究和实践，提出各种 各样的的解决方案。直到现在，稳定且高效的图像处理算法依然是一个值得深入研究的 课题。实现图像中运动目标的检测方法虽然很多，但到目前为止，还没有一个统一且通 用的理论算法，这是因为大多数的算法是针对某个具体情况而进行开发的。应用场合和 场景客观条件的不同，必然导致运动目标检测方法的不同。总结起来，运动目标检测技 术的发展有如下特点: 1.形成三种传统的运动目标检测方法:光流法、帧间差分法和背景消减法。其中基于 差分图像的帧间差分法和背景消减法是目前检测图像中运动目标最广泛的方法。

双轮移动机器人安全目标追踪与自动避障算法.doc

视频目标跟踪同主要是对于视频图像中我们感兴趣的目标进行实时跟踪。 背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。 在基于背景差分方法的运动目标检测中，背景图像的建模和模拟的准确程度，直接影响到检测的效果。不论任何运动目标检测算法，都要尽可能的满足任何图像场景的处理要求，但是由于场景的复杂性、不可预知性、以及各种环境干扰和噪声的存在，如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等，使得背景的建模和模拟变得比较困难。 背景差分法检测运动目标速度快，检测准确，易于实现，其关键是背景图像的获取。在实际应用中，静止背景是不易直接获得的，同时，由于背景图像的动态变化，需要通过视频序列的帧间信息来估计和恢复背景，即背景重建，所以要选择性的 关于该资源的详细功能，可私信博主，进一步了解！

根据A Local Contrast Method for Small Infrared Target Detection论文中的代码复现 改个路径就可用

2.2 Verilog语言简介 Verilog 与 VHDL 是世界上最为流行的两大硬件描述语言，主要以文本的形式描述数字 电路的硬件结构，两种语言均为 IEEE 标准。最早出现的 VHDL 语言是由美国军方开发出 来的，但是后来出现的 Verilog 虽然出现较晚，但其简单易学的有点深受开发人员喜欢， 并逐渐成为主流语言。由于 VHDL 语言严谨的性质，全世界仍有一些大学和军工类公司在 坚持使用 VHDL 语言，绝大部分的开发人员选择 Verilog 作为主要语言进行开发设计。同 时随着开发环境对 SystemVerilog 支持的不断完善，Verilog 也变得越来越强大，但是并不 能完全取代 VHDL，某些特殊的地方只能用 VHDL 进行描述。

中国软件杯多目标追踪

MATLAB中运动目标追踪代码ergodic_iSAC_localization C ++代码实现遍历iSAC的目标定位：遍历控制算法，该算法使用复杂的代理动态来通过实时探索预期的信息密度来跟踪和定位随机数的目标。 当前的实现使用12维四旋翼动力学和扩展的卡尔曼滤波器来跟踪仅带有方位角测量值的两个运动目标。 在此处查看结果的视频： 依存关系 该代码需要Boost和Eigen库。 编译运行 --- Update Makefile.txt with local Boost and Eigen paths --- "make" --- Run Quad_Euler.exe --- Plot resulting trajectories in Matlab, using ./data/plots_matlab.m 客制化 所有可能的更改，例如代理动态，目标的数量和运动，估计过滤器等，都可以通过更新“用户”文件夹中包含的文件来进行。

为了克服核相关滤波(KCF)只根据目标外观模型追踪时准确性低的不足,融入运动模型,计算了检测目标框和预测目标框的交并比(IOU)。通过匈牙利算法,确定了目标间的最优关联。KCF和IOU模型都具有快速响应的特点,因此算法可满足在线处理数据的要求。在公开的2DMOT2015、MOT16数据集上进行实验,将所提方法与其他优秀方法相比,在保证30 frame/s以上处理速度的同时,追踪准确性提高10%以上。

目标追踪-雷达-激光雷达数据，已转换成.mat格式