Object tracking has gained much interest in the last few years, especially in the context of multiple object tracking. Many datasets used for tracking provide video sequences of people and objects in very different contexts. Although it has been attracting much attention, no dataset or tracking algorithm has been applied to coastal surveillance and ship tracking. Besides image/video-based tracking technologies, other technologies, such as radar and automatic identification systems (AISs), are also used for this task, especially in maritime applications. In the AIS case, commonly known issues, such as information omission, remain to be dealt with. As for radars, the most important issue is the impossibility of identifying the ship type/class and correlating it with AIS information. However, image/video-based solutions can be combined with these technologies to mitigate or even solve these issues. This work aims to review the most recent datasets and state-of-the-art tracking algorithms (also known as trackers) for single or multiple objects tracking for objects in general and its possibilities for maritime scenarios. The goal is to gain insights for developing novel datasets; benchmarking metrics; and mainly, novel ship tracking algorithms.

Agradeço, a Paula pelos incansáveis incentivos e pela conĄança depositada em mim. a minha família, por toda a ajuda cabível a cada um nesses anos. ao professor Fernando Gomide, por me aceitar, me inspirar e me recolocar no caminho sempre que preciso. ao Conselho Nacional de Desenvolvimento CientíĄco e Tecnológico, CNPq, pelo apoio Ąnanceiro. aos colegas Leandro e Raul pelas contribuições e discussões essenciais. Raul, em especial, pela revisão deste texto. ao parceiro Amadeu, pelas conversas quase diárias durante todo o tempo dedicado ao mestrado. aos colegas do Laboratório de Computação e Automação Industrial, LCA, pelas ajudas e companhias. ao colega Jaime, pela conĄança no meu trabalho. a Faculdade de Engenharia Elétrica e Computação, FEEC, pela oportunidade e suporte em todas as etapas do mestrado. ao professor Fernando Von Zuben, pela brilhante apresentação dos conteúdos de Rede Neural apresentado em seu curso. Obrigado pela inspiração. a todos que, por falha de minha memória, possam ser não lembrados nessas linhas. Muito obrigado. "O espírito humano é mais forte que qualquer remédio. E é isso que precisa ser alimentado por meio do trabalho, lazer, da amizade e da família. Isso é o que importa. Foi disso que nos esquecemos. Das coisas mais simples." Oliver Sacks ResumoSistemas evolutivos e processamento de dados de alta dimensão são de grande importância prática, atualmente sob intensa investigação. Esta dissertação introduz um neuro classiĄcador evolutivo, avalia seu desempenho usando dados de alta dimensão e compara seu desempenho com classiĄcadores evolutivos e clássicos representativos do estado da arte na área. O neuro classiĄcador processa Ćuxos de dados continuamente e determina a estrutura de uma rede neural artiĄcial com os respectivos pesos sinápticos. Os resultados de simulação sugerem que o algoritmo proposto é competitivo quando comparado com os modelos evolutivos analisados nesta dissertação. Ele supera, em termos de taxa de classiĄcação, todos os modelos na maioria dos conjuntos de dados considerados. Ainda, o neuro classiĄcador requer um menor tempo de processamento por amostra entre os classiĄcadores evolutivos e os clássicos não evolutivos.Palavras-chaves: ClassiĄcadores evolutivos; redes neurais artiĄciais; espaço de alta dimensão.