這裡說的跟蹤演算法是通用單目標跟蹤 。這裡說的目標跟蹤，是通用單目標跟蹤，第一幀給個矩形框，這個框在資料庫裡面是人工標註的，在實際情況下大多是檢測演算法的結果，然後需要跟蹤演算法在後續幀緊跟住這個框。
通常目標跟蹤面臨
幾大難點
(吳毅在
valse
的slides)：外觀變形，光照變化，快速運動和運動模糊，背景相似干擾：
生成(generative)模型方法和判別(discriminative)模型方法，目前比較流行的是判別類方法，也叫檢測跟蹤tracking-by-detection，為保持回答的完整性，以下簡單介紹。
生成類方法，在當前幀對目標區域建模，下一幀尋找與模型最相似的區域就是**位置，比較著名的有卡爾曼濾波，粒子濾波，mean-shift等。舉個例子，從當前幀知道了目標區域80%是紅色，20%是綠色，然後在下一幀，搜尋演算法就像無頭蒼蠅，到處去找最符合這個顏色比例的區域。
判別類方法，otb50裡面的大部分方法都是這一類，cv中的經典套路影象特徵+機器學習， 當前幀以目標區域為正樣本，背景區域為負樣本，機器學習方法訓練分類器，下一幀用訓練好的分類器找最優區域：
背景資訊，這樣分類器就能專注區分前景和背景，所以判別類方法普遍都比生成類好。舉個例子，在訓練時告訴tracker目標80%是紅色，20%是綠色，還告訴它背景中有橘紅色，要格外注意別搞錯了，這樣的分類器知道更多資訊，效果也相對更好。
目標追蹤 背景分割
coding utf 8 import cv2 import numpy as np from mycvutils import mycvutils datapath d imgdata video bs cv2.createbackgroundsubtractorknn detectshadows...
目標追蹤演算法
include include using namespace cv using namespace std global variables rect box bool drawing box false bool gotbb false bounding box mouse callback v...
追蹤演算法比較
mosse是單通道灰度特徵的相關濾波，csk在mosse的基礎上擴充套件了密集取樣 加padding 和kernel trick kcf在csk的基礎上擴充套件了多通道梯度的hog特徵 cn在csk的基礎上擴充套件了多通道顏色的color names dsst在mosse的基礎上擴充套件了尺度濾波器...