（1）目標跟蹤之速度計算
（2）目標跟蹤之計數
（3）目標跟蹤之行為檢測
後面會陸續新增鏈結。
本篇文章以交通類應用場景為例，介紹車輛速度計算方法。
速度計算前提
速度=距離÷時間
畫素速度=畫素距離÷時間
實際物理速度!=畫素速度*某值
兩種解決方案：
如上圖，根據攝像機成像原理，三維空間在二維畫面上投影之後，會存在對應角度關係，可以列出等式，計算機動車在路面行駛的實際距離。這種做法的前提是我們必須知道圖中的h_cam（攝像機距離地面的高度）、d_near（攝像機成像最近點與攝像機垂直線之間的水平距離）以及d_far（攝像機成像最遠點與攝像機垂直線之間的水平距離），而這些引數獲取在現實應用場景中基本不可能做到。
基於透視變換的車輛測速方法
上面這種測速方式的前提有兩個：
（2）知道俯檢視中每畫素代表的實際物理距離
經過透視變換之後：
可以看到，經過透視變換之後生成的俯檢視中，我們將路面的矩形還原成了「真正的」矩形，並且可以看到，車道分割線是均勻分布的，兩條分割線也是平行的，這符合我們的預期，即：俯檢視中，無論是道路的平行方向，還是道路的垂直方向，每畫素所代表的實際物理距離是固定不變的。目標車輛在俯檢視中，只會存在與道路平行方向的位移差，與道路垂直方向的分量為零，這符合俯視角度觀察到的結果。
注意：需要忽略其他與道路不在同乙個平面上的物體，這種透視變換只對道路平面有效。
另外再舉乙個攝像機角度比較好的例子：
上圖是選取的矩形四個頂點，下圖是透視變換之後的俯檢視：
經過轉換之後生成的俯檢視，可以作為矩形標註的參考，如果發現生成的俯檢視完全不對，那麼說明標註的矩形四個頂點座標有問題。
經過實際使用發現，這種測速誤差在±6%之內，這種準確性雖然不能用於交通執法，但是對於交通狀況監測還是非常有參考價值的。當然這種方法也有劣勢：
（1）參考矩形不太好標註，有的路面甚至沒有任何參照物。完全靠經驗去嘗試；
（2）有的路面沒有距離參照物，比如不存在車道分割線（虛線），這種情況無法測速；
（3）測速結果的準確性對參照物的標註依賴很大，後者直接影響測速結果。
當然，它的優勢前面已經提到了。本文只提供思路，沒有**。
深度學習之目標跟蹤
一.跟蹤進展 advances in visual tracking 作者在前面的機器學習文章中也講到了 tracking，感興趣的童鞋可以 review一下 機器學習實踐系列之5 目標跟蹤 前面只是基於傳統方法的跟蹤，這一篇我們 focus 在深度學習上。關注跟蹤演算法的進展，只需要 follow...
opencv3之目標跟蹤（單目標 多目標）
對於剛入門的opencv玩家，提起目標跟蹤，馬上想起的就是camshift，但是camshift跟蹤往往達不到我們的跟蹤要求，包括穩定性和準確性。opencv3.1版本發行後，整合了多個跟蹤演算法，即tracker，大部分都是近年vot競賽榜上有名的演算法，雖然仍有缺陷存在，但效果還不錯。ps 我在...
目標跟蹤之模板匹配 簡單的模板匹配
一 概述 目標跟蹤是計算機視覺領域的乙個重要分支。研究的人很多，近幾年也出現了很多很多的演算法。大家看看淋漓滿目的 就知道了。但在這裡，我們也聚焦下比較簡單的演算法，看看它的優勢在 畢竟有時候簡單就是一種美。在這裡我們一起來欣賞下 模板匹配 這個簡單點的跟蹤演算法。它的思想很簡單，我們把要跟蹤的目標...