基于Meanshift的单目标跟踪算法【matlab+c两个版本】 基于meanshift的单目标跟踪算法实现 说明： 1. RGB颜色空间刨分，采用16*16*16的直方图 2. 目标模型和候选模型的概率密度计算公式参照上文 3. opencv版本运行：按P停止，截取目标，再按P，进行单目标跟踪 4. Matlab版本，将视频改为图片序列，第一帧停止，手工标定目标，双击目标区域，进行单目标跟踪。

matlab中伪代码标准和并行高效全局优化（EGO）算法 1.有效的全局优化（EGO）算法[1] 有效的全局优化（EGO）算法[1]是一种广泛使用的基于代理的优化算法，用于昂贵的单目标优化。 EGO算法首先使用一些初始设计点（通常通过实验设计方法，例如拉丁超立方体采样（LHS）方法）生成初始Kriging模型（也称为高斯过程模型）来开始。 然后，在每次迭代中，使用传统的优化算法（在此实现中为DE）选择具有最高预期改进（EI）值的点。 使用实际昂贵的目标函数评估所选点，并将其用于更新Kriging模型。 以这种方式，EI标准将搜索引导到对实际问题的最佳选择。 2.并行高效全局优化（EGO）算法[2] 并行高效全局优化（EGO）算法[2]是标准EGO标准的扩展，它允许EGO算法在每次迭代（循环）中选择多个设计点。 然后可以并行评估这些候选点，这可以节省一些挂钟时间。 在算法中使用伪EI准则在每个循环中选择多个设计点。 伪EI准则的详细描述可以参考[2]。 3.并行约束高效全局优化（EGO）算法[3] 并行约束高效全局优化（EGO）算法是为约束昂贵的优化问题而设计的。 PCEI标准用于在每次

整个系统（目标）的整体效率和燃料使用受抽气压力 (opt.vars) 的影响。 热力学状态已通过 MATLAB 中的 CoolProp 工具箱提取。 首先，我们必须以最大化效率然后最小化燃料使用的方式指定压力。 这个过程是一个单目标优化。 之后，我们不得不同时优化两个目标，这是一个多目标优化。 对于此过程，我们在MATLAB中使用了NSGA（II）。 结果报告了获得的帕累托前沿。 PS：NSGA（II）是非支配排序遗传算法（版本2），它是一种进化方法。 （元启发式）

遗传算法是用于无约束优化问题的单目标优化技术。 GA 有多种实现方式，其中一种采用 SBX 交叉和多项式变异。 该代码源自 Arvind Sheshadari [1] 对 NSGA-II 的多目标实现。 笔记： （i）与其他计算智能技术不同，无法根据总体数量和迭代次数来确定性地确定功能评估的次数。 (ii) 用户定义的参数是 (a) 人口规模，(b) 迭代次数，(c) SBX 算子的分布指数，(d) 多项式变异的分布指数，(e) 旅游规模在锦标赛选择和（f）交叉概率。 在此实现中，池大小设置为总体大小的一半（如果总体大小为奇数，则四舍五入）。 但是，这可以由用户更改。 (iii) 这种实现确保了单调收敛。 参考： (1) https://in.mathworks.com/matlabcentral/fileexchange/10429-nsga-ii--a-multi-object

对ECO-Efficient Convolution Operators for Tracking的python实现。

单目标优化,单目标优化模型,matlab源码.zip

单目标GOA算法,GOA算法,matlab源码.zip

【优化求解-单目标求解】基于蜉蝣算法求解单目标问题matlab源码.md

进行单目相机的标定，输出单目相机的内参参数，可用于后续双目相机的标定

FairMOT-master.zip，6月16号版本。下载自：https://github.com/ifzhang/FairMOT/tree/master/。