1.首先搞清楚为什么发论文, 一般都是为了保研,学位, 评奖，评职称加分等等, 然后就要了解对应事项对论文方向和所发的杂志(有的会给出一个目录)的要求, 以免发非所要做无用功2.确定的论文方向, 自己应该要有充分的了解, 可以多看看知网上相关文章, 也可以找老师指导一下, 尽量能写出比较独到的逻辑完整的观点, 还要有充分的论据和比较丰富的论证方法3.确定目标杂志, 可以先大致圈定几个意向进行详细了解, 包括杂志的周期(有些杂志出刊太慢排队太久等不起), 杂志对作者的偏好(有些较好的杂志只接受一定级别的作者, 本科生不在考虑范围), 投稿审稿或版面费用(一般越好的杂志可能不收费但上稿难度很大), 有可能的话可以在官网或杂志上找到编辑部联系方式, 直接咨询, 不要轻易相信网络上的中介4.投稿要注意符合杂志社的投稿格式规范, 要检查好文字不要出现低级错误, 那样会严重影响编辑对稿件的印象, 投稿投到官方的邮箱, 然后可以打个电话提醒一下编辑查收, 需要付费的一般是杂志出了用稿通知后才付费, 如果是上来就要钱说包发的十有八九是
文章已经写好的情况下需要匹配期刊，先确定要求，要发在知网、万方还是维普数据库上面？现在论文审核比较严格，很多方向可能不收，自己投可能会过不了审，一定要看好期刊对论文的要求。
发表论文无非就两种方式：第一种就是自己投稿，买本杂志，根据版权页上的投稿方式去投稿（这种的弊端就是周期太长，对于着急的客户，不适用）当然，跟杂志社关系好能顺利发表的请无视我的话因为直投杂志社容易，能成功发表难，我认识的主编跟我说他们邮箱里的稿件基本上没有低于过1000篇，而且杂志社就那么几个人，根本不可能忙的过来，就算抽时间看下邮件也就是看个题目，题目不新颖没吸引力的直接略过，就算点开文章，也是先大概看下职称、单位、研究方向、摘要、关键词，没什么吸引人眼球的内容也直接pass掉。第二种就是找代理机构发表（这种的需要睁大眼，发表行业鱼龙混杂，必须得保证自己发的杂志是正刊，也不能是增刊）。找代理机构认准以下几点；一、首先选择国家新闻出版广电局能查到的正规杂志二、其次是某宝担保交易，更有保障三、最后录用通知下来后，亲自打版权页或者收录网站（知网、维普、万方、龙源）上查稿电话查稿确认录用后，再付款。第一， 选择杂志，根据自己的要求确定杂志，省级的国家级的价格不一样。然后看杂志的级别，在这里呢就可以一起验证了杂志的真假，新闻出版总署输入杂志名，看是否收录，如果没有的话就要小心了，千万不能发第二，看杂志的见刊时间。自己什么时候用杂志一定要确定，如果是7月要用，那就不要发9月才鞥收到的杂志，一旦发了到了要用的时候没有法子使用。第三，杂志收录的网站。如果您那没有特别的要求，那就知网，维普，万方都可以了，如要求必须知网收录，那就自己上网查一下看看，是否知网及时更新呢第四，看付款的流程，是不是先发表，录用了查稿确定后付费用，如果不能查稿就危险了，不能保证是不是真正发表成功了。
首先，你需要写出像样的论文，文章肯定不能是炒冷饭的那种，需要有自己的创新点。所以在写文章之前，需要查阅大量的文献，以确保此前没人发过类似的文章。多看一些好文章，从中能够学到很多东西，比如一些观点或者写作方法。文章撰写完成之后，一定要反复修改，避免出现口语化的句子。如果是英文，还要注意语法，一定要按照英文惯用的表达方式来撰写文章。当文章经过反复修改之后，可以开始找期刊投稿。为了提高文章的接收率，找一个合适的期刊非常关键。所以一定要多看文章，这样才能知道自己写的文章大概在什么样的水平，然后选择相应档次的期刊进行投稿。中文期刊包括中文核心期刊、非核心期刊、学报，英文期刊包括SCI收录期刊、EI收录期刊，其中中文核心期刊和SCI收录期刊在中文和英文中是档次较高的期刊，也是很多人的投稿目标。此外，中科院把SCI收录期刊分为四区：一区、二区、三区和四区，档次和难度依次降低。在确定要投哪个期刊之后，按照该期刊的要求把论文的格式改好。然后，通过电子邮件把文章投出去。切忌，不要一稿多投！这样的做法只会降低你的信用，不利于以后的投稿，毕竟这个圈子不大。文章投出去之后，就是等待同行评审的结果。一般至少有两个审稿人评审同一篇文章，如果审稿人给出的意见都是修改（可能是大修或者小修），那么，只要按照要求修改好文章，最终一般都会被接收。如果其中有个审稿人给出的审稿意见是拒稿，那么文章就不会被接收。但你也可以根据审稿人的意见修改文章，然后再找一个更合适的期刊进行投稿。
有很多小伙伴们就会很奇怪了，当我们把毕业论文完成之后，要如何发表呢？那小编我今天就针对“发表论文流程”这一情况，为大家解答疑惑吧！
一般来说呢，发表论文流程分为以下六步：
一、投稿
投稿是指论文发表人员选择好投稿期刊之后，我们再通过邮箱、在线投稿窗口、QQ或者微信等方式将自己的论文稿件发送给编辑就好了。
二、审核（也俗称为审稿）
投稿之后，编辑会按照投稿的先后顺序对论文进行一个审稿过程，有的期刊杂志是会收取审稿费的，如果我们发表论文需要加急发表的话，是需要在投稿时标注清楚的，这个可能会产生加急费用。审稿环节是整个论文发表过程中耗时最长的，它可以说影响了论文发表周期的长短，只因为论文审稿可能会反复进行。
三、审稿结果
审稿结果主要介绍通过审稿并被录用了的论文。通过杂志社论文三审的论文，杂志社会下发录用通知书，并注明好预安排在某年某期发表此篇论文，之所以是预安排，是因为还需要交纳版面费。
四、交费
交费就主要指的是版面费了，在我们交纳费用之后，论文才会正式进入安排刊期出版的流程。
五、安排发表
费用到位之后，便可以安排刊期了，并按照日期出版见刊。而少部分论文的发表可能会被延期，这样的现象也属于正常情况，原因就比如有人安排加急类似之类的问题。
六、寄送样刊
论文见刊之后，杂志社会给作者寄送一本样刊的，是作为用途上交的材料。到此整个的论文发表流程就基本结束了。
那么以上呢就是“发表论文流程”的六大步骤啦！那最后小编要提醒大家一点，在我们进行论文写作时一定要保证是自己原创的，这样的话在进行论文查重检测的时候也不会存在那么多需要修改的地方，同时大家要记得去进行自查，保证论文更高程度的通过哦！
论文发表流程有哪些？完成一篇SCI论文后，下一个任务是如何准备和组织所需的文件和提交的材料。稿件提交后，总刊编辑将进行正式审稿，检查稿件在格式和内容上是否符合本刊要求。稿件通过正式评审后，即可进入实质性评审阶段。因此，应高度重视提交文件的准备工作。投稿前，在选择投稿期刊后，首先要认真阅读期刊作者主页指南上的每一个细节要求，并严格按照目标期刊投稿指南准备相关投稿材料。如果投稿指南上的描述不清楚，你可以下载最新一期的期刊供阅读和参考。许多杂志都会在提交指南页面提供免费下载的样本供作者参考。不同的杂志需要准备不同的文件，但它们也有某些共同点。例如，提交材料通常包括：正文（手稿或正文）、扉页（全称或扉页）、附件、图片（图）、表格（表）、补充资料文件（辅助资料或补充材料）及其他相关文件等。以下是提交文件的准备和注意事项的简要说明：文本（text）正文是对一篇论文的完整描述，按优先顺序，通常包括标题、摘要、导言、材料与方法、结果、讨论、致谢、参考文献、表格、图片说明（图例或图注）等主要部分。材料、方法和结果往往内容丰富。每个段落都可以设置副标题。副标题可以加粗或斜体，以便于阅读。少数杂志要求表格和图片说明不能放在全文中，而是放在单独的Word文档中。在正常情况下，提交指南将对文章的结构、格式和字数作出规定和详细介绍。整个稿件的每一部分都必须严格按照投稿指南的要求编写。标题页（完整标题或标题页）标题页包含文章的标题、所有作者信息（姓名、最高学位、单位及其通信地址）以及相应作者的联系信息（单位、地址、电话、传真和电子邮件）。大多数SCI期刊要求文章标题不得超过100个印刷体字符（包括字母、标点符号和空格），应为10-12个（不超过25个）英文单词的名词性短语或句子。作者排名的顺序应根据论文的写作贡献来决定。共同第一作者或共同通讯作者通常用“*”等符号标记，并单独解释。有些杂志需要在标题页上写基金支持，通常在标题页的下半部分。此外，大多数SCI期刊要求作者提供不超过40个印刷字符的标题（行标题、短标题）。求职信期刊编辑通常允许作者简要介绍论文的亮点和价值，作者也希望能为编辑提供一些信息，帮助他们的论文进行评审和决策。以上信息可写在提交信中，一封好的投稿信必须特别注意内容和格式。一些医学期刊在作者指南中对投稿信的内容和格式有具体要求。送审函的格式与一般公函相似，包括标题、标题、正文、背书、签名和附件等，正文是送审函的主体部分。在这一部分，你需要：完整地列出文章的标题。并简要介绍了本研究的主要意义、创新点、投稿意愿和适合期刊稿件的栏目。
1、第一步当然是写论文，写完论文之后，再选择合适的期刊去投稿。投稿后还得经过出版社的审核，审核通过之后就可以等待出版出刊了。然后去网上搜索就能搜索到自己的文章。流程虽然看着好像很容易，但整个过程真得可快可慢，很多人都卡在了审核这一步。2、怎么选期刊？按期刊分类，刊物可以分为按照注册地划分：CN类刊物所谓CN类刊物是指在我国境内注册、国内公开发行的刊物。该类刊物的刊号均标注有CN字母，人们习惯称之为CN类刊物。ISSN类刊物现在许多杂志则同时具有CN和ISSN两种刊号。所谓ISSN类刊物是指在我国境地外注册，国内、外公开发行的刊物。该类刊物的刊号前标注有ISSN字母。按主管部门划分：“国家级”期刊一般说来，“国家级”期刊，即由党中央、国务院及所属各部门，或中国科学院、中国社会科学院、各民主党派和全国性人民团体主办的期刊及国家一级专业学会主办的会刊。另外，刊物上明确标有“全国性期刊”，“核心期刊”字样的刊物也可视为国家级刊物。“省级”期刊即由各省、自治区、直辖市及其所属部、委办、厅、局主办的期刊以及由各本、专科院校主办的学报(刊)。核心期刊核心期刊是某学科的主要期刊。一般是指所含专业情报信息量大，质量高，能够代表专业学科发展水平并受到本学科读者重视的专业期刊。3、选择投稿方式投稿方式有2种：一种是官方自投，另一种是机构代投。选择哪一种要根据自身的情况选择。作者要结合自身的情况，注意出刊日期，出刊期有快有慢，快的1个月，慢的跨年，所以一定要提前发表，计算好时间。注意：千万不要直接百度普刊的杂志社官网，因为大部分都是广告中介！4、关于查重一般期刊投稿查重复制比率在15%-20%左右，同学们可以根据自身情况将重复率保持在这个区间之内。切忌！！！一定不要去抄袭篡改其他的期刊论文！！后果还是相当严重的！投稿前一定用查重软件查一下重复率，避免因为重复率高被退稿。现在互联网上更新的查重软件和系统真的很多，甚至出现很多免费的软件，当然他们相互之间在数据资源库方面的积累或者完善程度上肯定是不一样的。其中，例如万方检测等知名查重在这方面的查重技术实力上更加出色一点，对不同行业的期刊论文检测的过程中，能出具比较精准的数据报告，后期参考修改也比较方便一些。万方官网：（官方正规链接，其他链接注意区别）
1. 准备论文：如果论文已经准备好了，按照论文找合适的期刊就好；如果论文没写好，建议还是先找合适的期刊，然后参照期刊的要求进行论文的写作，这样能更容易通过审核。2.投稿：将论文通过各种途径送到期刊编辑部。3.审核：核心期刊一般是同行评审制度，编辑部会把你的论文转发给三个这个领域的专业人士，由他们提出意见，编辑部会举行会议研究这三个专家的意见后作出录用或者修改或者退稿的决定。这也是核心期刊审稿时间长的原因。普通期刊一般由编辑部自己审核，速度比较快。4.录用：审核通过后，编辑部会开一个录用证明给作者，作者支付相关版面费后就可以安排发表了。5.出刊：热门期刊的刊期通常排在一年以后了，而冷门的刊经常还在收上一年的版面。一般的出刊时间是在3-6个月左右，出刊后编辑部会付费邮寄给作者一本样刊。6.上网：如果是上知网的期刊，那么出刊1-3个月后，作者就可以在知网上检索到自己的文章了。至此，整个发表流程完成。
一、发表文章质量要求发表论文的质量自然是提升论文收录的一个主要的条件.对于这个方面来说主要就是针对于论文的观点正确,文字通畅,逻辑严密,结构合理,结论有创新,等等.之前收到一篇文章,错别字多,语句不通顺,编辑实在是看不懂,只能联系作者退稿修改,退稿再修改再审稿,浪费时间,严重的话永远拒收稿子.二、论文格式规范
杂志论文格式要求每一个刊物或者杂志都有自己特定的宗旨、栏目和专业定位,投稿前必须先对此进行了解,弄清楚目标杂志是哪个方面的.还要搞清是季刊、双月刊、月刊还是半月刊、周刊,这直接影响您的稿件发表的速度.符合自己单位要求发表论文是为了自己的职业生涯能够更好,所以发表论文前一定要了解自己所在单位职称等级对于论文格式结构的种种要求,如:字数、论文篇数,对第一作者是否要求、期刊要求(核心?普刊?),有的单位甚至对文章格式都有严格规定(论文摘要、关键词、正文、参考文献、图表等方面的事项).
三、论文发表时间一般的学术刊物,从编辑接收稿件到样刊出来,需要2-3个月.如果是核心刊物,则需要半年,或许更长时间.不少作者认为期刊不是都是月刊、半月刊、旬刊,我这个月投稿,不是就安排下个月就出刊了,其实不然,很多期刊都是被提前会安排好版面,有些期刊版面都安排到下一年了,所以为评职称,还是提前准备为好.四、选择合法刊物发表论文不是随便找个期刊就可以的,期刊必须具有合法性,是合法期刊.不是国家新闻出版总署批准刊号的刊物,都是非法刊物.目前我国大约有1000-2000家非法刊物,或不规范的刊物.对大部分普通作者来说,是很难判断刊物的合法性的.对于有疑问的期刊,可以去国家新闻出版总署期刊查询里,确认一下是否是合法期
也是比较优秀的论文查重软件之一，推荐同学们使用PaperFree论文查重软件通过海量数据库对提交论文进行对比分析，准确地查到论文中的潜在抄袭和不当引用，实现了对学术不端行为的检测服务。
科技领域。《光子学报》是中国科学院西安光学精密机械研究所、中国光学学会主办、科学出版社出版的学术月刊。光子学报目标检测论文属于科技领域，宗旨是展示光子学研究领域的新理论、新概念、新思想、新技术和新进展，反映代表该学科前沿并具有中国国内外先进水平而为国际上关心的最新研究成果。
能。目标检测能投ei的，根据个人意愿执行即可。目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。
论文原文：
YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：
如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：
每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：
其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。
每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）
举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：
在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:
等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。
1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。
2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。
3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。
4、损失函数公式见下图：
在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：
解决方法：
只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。
作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。
然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。
作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。
作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；data augmentation包括：random scaling，translation，adjust exposure和saturation。
YOLO模型相对于之前的物体检测方法有多个优点：
1、 YOLO检测物体非常快
因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。
2、 YOLO可以很好的避免背景错误，产生false positives
不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。
3、 YOLO可以学到物体的泛化特征
当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。
尽管YOLO有这些优点，它也有一些缺点：
1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。
目标检测好毕业。目标检测在目前上，已经做的很好了，无论是哪个系列，都到了一个瓶颈，相反，跟踪的效果目前距离落地，还有很长的路要走。
能。目标检测能投ei的，根据个人意愿执行即可。目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。
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 1.1 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 0.1%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 0.1%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。 1.2 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:2.8% Avg:37.5% Max:23 Min:1.14 Avg:15 运动区域占 1/3 左右时 Max:45% Min:2.8% Avg:20% Max:18 Min:1.14 Avg:8 1.3 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。 1.4 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 2.1 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 ：
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。