一些目標跟蹤領域的benchmark，後期將會保持更新。主要是一些特徵提取+濾波類搜尋演算法。參考：online object tracking: a benchmark
mot16：a benchmark for multi-object tracking
其中特徵提取主要有：區域性、全域性特徵、模板、直方圖、binary pattern、pca、sparse pca、sr（sparse representation）、 discriminative model、generative model。
對於搜尋機制：csk、kcf/dcf、cn、粒子濾波、馬爾可夫鏈蒙特卡羅法、區域性最優搜尋、密集抽樣搜尋。
1、tracking-by-detection方式
主要針對目標檢測演算法和濾波類演算法（多目標跟蹤），yolo系列、ssd系列、anchor-free系列、two-stage系列等等，濾波類和上述傳統方式相似。
2、基於siamese networks（生成式，主要針對單目標）
主要通過siamese網路進行相似度匹配，主要操作為：首先手動選擇初始影象中的目標，使用siamese網路進行特徵提取，然後以此特徵為標準，遍歷後面幀影象的每個位置，對每個位置進行特徵提取，然後做比較，確定位置。
主要通過深度學習方式（rnn和lstm），不過該方式速度較慢，相比於傳統方式效果也沒有很大的提公升，現階段幾乎沒有落地。
往期乾貨資源：
彙總 | 國內最全的3d視覺學習資源，涉及計算機視覺、slam、三維重建、點雲處理、姿態估計、深度估計、3d檢測、自動駕駛、深度學習（3d+2d）、影象處理、立體視覺、結構光等方向！
彙總 | 3d目標檢測（基於點雲、雙目、單目）
彙總 | 6d姿態估計演算法（基於點雲、單目、投票方式）
彙總 | 三維重建演算法實戰（單目重建、立體視覺、多檢視幾何）
彙總 | 3d點雲後處理演算法（匹配、檢索、濾波、識別）
彙總 | slam演算法（視覺里程計、後端優化、回環檢測）
彙總 | 深度學習&自動駕駛前沿演算法研究（檢測、分割、多感測器融合）
彙總 | 相機標定演算法
彙總 | 事件相機原理
彙總 | 結構光經典演算法
彙總 | 缺陷檢測常用演算法與實戰技巧
目標檢測與目標識別
目標識別 objec recognition 是指明一幅輸入影象中包含哪類目標。其輸入為一幅影象，輸出是該影象中的目標屬於哪個類別 class probability 目標檢測 object detection 除了要告訴輸入影象中包含哪類目標外，還要框出該目標的具體位置 bounding boxe...
目標分割 目標識別 目標檢測和目標跟蹤的區別
粗略理解 典型的技術路線是 目標分割 目標檢測 目標識別 目標跟蹤 ot與od到底啥區別 最大的區別我覺得ot只給了第一幀的gt基於od的目標跟蹤演算法計算非常昂貴，需要對每幀畫面進行檢測，才能得到目標的運動軌跡。而且，只能追蹤已知的目標，因為目標檢測演算法就只能實現已知類別的定位識別。因此，od要...
目標識別與跟蹤基礎知識（三） 距離度量篇
最常見的兩點之間或多點之間的距離表示法，又稱之為歐幾里得度量，它定義於歐幾里得空間中。二維平面上兩點a x1,y1 b x2,y2 之間的歐式距離公式 我們可以定義曼哈頓距離的正式意義為l1 距離或城市區塊距離，也就是在歐幾里得空間的固定直角座標系上兩點所形成的線段對軸產生的投影的距離總和 二維平面...