不全，需要慢慢補充
一．運動目標檢測
（一）背景差
1.幀差
2.gmm 等
背景減演算法可以對背景的光照變化、雜訊干擾以及週期性運動等進行建模，在各種不同情況下它都可以準確地檢測出運動目標。因此對於固定攝像頭的情形，目前大多數的跟蹤演算法中都採用背景減演算法來進行目標檢測。背景減演算法的侷限性在於它需要乙個靜態的固定攝像頭。
（二）運動場
光流法光流估計的方法都是基於以下假設：影象灰度分布的變化完全是目標或者場景的運動引起的，也就是說，目標與場景的灰度不隨時間變化。這使得光流方法抗雜訊能力較差，其應用範圍一般侷限於目標與場景的灰度保持不變這個假設條件下。另外，大多數的光流計算方法相當複雜，如果沒有特別的硬體裝置，其處理速度相當慢，達不到實時處理的要求。
二．目標跟蹤
1.區域與區域匹配
這種演算法的優點在於當目標未被遮擋時，跟蹤精度非常高，跟蹤非常穩定。但其缺點首先是費時，當搜尋區域較大時情況尤其嚴重；其次，演算法要求目標變形不大，且不能有太大遮擋，否則相關精度下降會造成目標的丟失。
2.特徵點（關鍵點）跟蹤
klt：shi和tomasi 在2023年提出的klt 跟蹤演算法是一種被廣泛應用的基於特徵點跟蹤演算法。由於特徵點分布在整個目標上，因此即使有一部分被遮擋，仍然可以跟蹤到另外一部分特徵點，這也是基於特徵點跟蹤演算法的優點。
基於特徵點的跟蹤演算法中，比較困難的問題是當目標發生旋轉或者被遮擋時，如何準確地完成特徵點的提取、儲存、刪除等工作
3.基於主動輪廓的跟蹤演算法
主動輪廓模型也稱為snake 模型，這種方法能較精確地跟蹤上目標的輪廓。snake 模型非常適合可變形目標的跟蹤，如對運動細胞的跟蹤。這種模型與卡爾曼濾波相結合能夠更好地進行跟蹤。snake模型比較適合單目標的跟蹤，對於多目標跟蹤更多地是採用基於水平集(level set)方法的主動輪廓模型
4.光流
lucas-kanade稀疏光流calcopticalflowpyrlk（利用金字塔）
horn-schunck稠密光流calcopticalflowhs
稠密光流需要很大的計算量，opencv中對此方法做了簡化，即對前後連續幀的乙個畫素的鄰域進行匹配，這種方法叫塊匹配。
稀疏光流需要在跟蹤之前指定一組點，如果這些點具有某些明顯特徵，那麼跟蹤就會相對穩定和可靠。可見，其運算量比稠密光流要小很多。
首先利用goodfeaturestotrack函式得到影象中的強邊界作為跟蹤的特徵點，接下來要呼叫calcopticalflowpyrlk函式，輸入兩幅連續的影象，並在第一幅影象裡選擇一組特徵點，輸出為這組點在下一幅影象中的位置。再把得到的跟蹤結果過濾一下，去掉不好的特徵點。再把特徵點的跟蹤路徑標示出來。
（實際效果一般）
5.mean-shift和 camshift
mean-shift優缺點
傳統的meanshift演算法在跟蹤中有幾個優勢：
（1）演算法計算量不大，在目標區域已知的情況下完全可以做到實時跟蹤；
（2）採用核函式直方圖模型，對邊緣遮擋、目標旋轉、變形和背景運動不敏感。
（1）缺乏必要的模板更新；
（2）跟蹤過程中由於視窗寬度大小保持不變，當目標尺度有所變化時，跟蹤就會失敗；
（3）當目標速度較快時，跟蹤效果不好；
（4）直方圖特徵在目標顏色特徵描述方面略顯匱乏，缺少空間資訊；
由於其計算速度快，對目標變形和遮擋有一定的魯棒性，所以，在目標跟蹤領域，meanshift演算法目前依然受到大家的重視。但考慮到其缺點，在工程實際中也可以對其作出一些改進和調整；例如：
（1）引入一定的目標位置變化的**機制，從而更進一步減少meanshift跟蹤的搜尋時間，降低計算量；
（2）可以採用一定的方式來增加用於目標匹配的「特徵」；
（3）將傳統meanshift演算法中的核函式固定頻寬改為動態變化的頻寬；
（4）採用一定的方式對整體模板進行學習和更新；
camshift演算法
在opencv自帶的camshift的例子當中，是通過計算目標在hsv空間下的h分量直方圖，通過直方圖反向投影得到目標畫素的概率分布，然後通過呼叫opencv的camshift演算法，自動跟蹤並調整目標視窗的中心位置與大小。該演算法對於簡單背景下的單目標跟蹤效果較好，但如果被跟蹤目標與背景顏色或周圍其它目標顏色比較接近，則跟蹤效果較差。另外，由於採用顏色特徵，所以它對被跟蹤目標的形狀變化有一定的抵抗能力。
opencv自帶例子中的camshift演算法，可以分為三個部分：
a、計算色彩投影圖（反向投影）：
（1）為了減少光照變化對目標跟蹤的影響，首先將影象從rgb顏色空間轉換到hsv顏色空間；
（2）對h分量進行直方圖統計，直方圖代表了不同h分量取值出現的概率，或者說可以據此查詢出h分量的大小為x時的概率或畫素個數，即，得到顏色概率查詢表；
（3）將影象中每個畫素的值用其顏色出現的概率進行替換，由此得到顏色概率分布圖；
以上三個步驟稱之為反向投影，需要提醒的是，顏色概率分布圖是乙個灰度影象；
b、meanshift尋優
前面提到過meanshift演算法（
）是一種非引數概率密度估計方法，它通過不斷迭代計算得到最優搜尋視窗的位置和大小。
c、camshift跟蹤演算法
6.kalman濾波（預估器）
運動目標跟蹤演算法綜述
一般將目標跟蹤分為兩個部分 特徵提取 目標跟蹤演算法。其中提取的目標特徵大致可以分為以下幾種 1 以目標區域的顏色直方圖作為特徵，顏色特徵具有旋轉不變性，且不受目標物大小和形狀的變化影響，在顏色空間中分布大致相同。2 目標的輪廓特徵，演算法速度較快，並且在目標有小部分遮擋的情況下同樣有較好的效果。3...
運動目標跟蹤演算法綜述
一般將目標跟蹤分為兩個部分 特徵提取 目標跟蹤演算法。其中提取的目標特徵大致可以分為以下幾種 1 以目標區域的顏色直方圖作為特徵，顏色特徵具有旋轉不變性，且不受目標物大小和形狀的變化影響，在顏色空間中分布大致相同。2 目標的輪廓特徵，演算法速度較快，並且在目標有小部分遮擋的情況下同樣有較好的效果。3...
運動目標跟蹤
運動目標跟蹤 mot 子系統 也稱為移動障礙物的檢測器和 datmo 負責檢測和跟蹤自動駕駛汽車周圍環境中移動的障礙物的姿態。這個子系統對於讓自動駕駛汽車決定如何行動以避免與可能移動的物體 如其他車輛和行人 相撞至關重要。移動障礙物在一段時間內的位置通常是由測距感測器 如雷射雷達和雷達 或立體和單目...