讲解方式：

本课程采用由浅入深,层层递进的讲解方式. 在介绍项目业务流的同时, 更加注重代码驱动. 整个开发流程手动实现, 让学生灵活应用知识的同时, 尽早适应企业级开发.

课程亮点：

1，课程由浅到深，由原理到实践，适合由计算机视觉基础的学生学习。

2，结合实际案例，培养解决实际问题的能力。

课程内容：

1.多目标跟踪的常见的方法

2.多目标跟踪中常用的运动模型

3.候选框在多目标跟踪中的表达方式及相应转换方法了解卡尔曼滤波在目标跟踪中的应用

4.卡尔曼滤波的原理：预测阶段和更新阶段

5.卡尔曼滤波的实现过程

6.卡尔曼滤波器中的状态变量和观测输入

7.目标框的状态更新向量

8.匈牙利算法和KM算法

9.利用匈牙利算法对目标框和检测框进行关联

10.理解SORT算法的原理

11.利用sort算法完成多目标追踪

12.yoloV3的多尺度检测方法

13.yoloV3模型的网络结构及网络输出

14.yoloV3模型先验框设计的方法

15.yoloV3模型为什么适用于多标签的目标分类

16.利用yolo模型进行目标检测的方法

17.能够完成目标检测功能的实现

适用人群：

1、对opencv进行图像处理感兴趣在校生和应届生。

2、对目前职业有进一步提升要求，希望从事图像处理行业高薪工作的在职人员。

3、对图像处理行业感兴趣的相关人员。

课程主讲内容包括：

阶段一：项目简介

1.项目架构及构成简介

阶段二：多目标跟踪算法简介

1.多目标跟踪的常见的方法

2.多目标跟踪中常用的运动模型

3.候选框在多目标跟踪中的表达方式及相应转换方法了解卡尔曼滤波在目标跟踪中的应用

阶段三：卡尔曼滤波的应用

1.卡尔曼滤波的原理：预测阶段和更新阶段

2.卡尔曼滤波的实现过程

3.卡尔曼滤波器中的状态变量和观测输入

4.目标框的状态更新向量

5.匈牙利算法和KM算法

6.利用匈牙利算法对目标框和检测框进行关联

阶段四：sort算法简介

1.理解SORT算法的原理

2.利用sort算法完成多目标追踪

阶段五：目标检测

1.yoloV3的多尺度检测方法

2.yoloV3模型的网络结构及网络输出

3.yoloV3模型先验框设计的方法

4.yoloV3模型为什么适用于多标签的目标分类

5.利用yolo模型进行目标检测的方法

6.能够完成目标检测功能的实现