采用霍夫变换法对雷达目标进行起始，解决了机动目标的非线性强的问题，得到精确的航迹起始初值信息，并将初值信息作为无迹卡尔曼滤波目标跟踪的初始输入，实现对机动目标的跟踪。较其它的算法，霍夫-无迹卡尔曼滤波具有更高的精度。实验仿真，证明了其有效性。

完整代码，可直接运行

可实现实时的人脸检测与跟踪，正确率高，使用opencv编写。

该论文是基于双目立体视觉的运动目标检测与跟踪

视频运动目标检测及跟踪算法测试平台设计与实现视频运动目标检测及跟踪算法测试平台设计与实现视频运动目标检测及跟踪算法测试平台设计与实现

运算速度尚可，win10的64位系统，vs2015+opencv3.4，直接可运行，只需要改变视频读入的路径即可

与传统的车辆检测器相比，基于视频图像处理与视觉技术的车辆检测器具有处理速度快、安装维护便捷且费用较低、可监视范围广、可获取更多种类的交通参数等诸多优点，因而近年来在智能交通系统(ITS)中得到了越来越广泛的应用。针对摄像头拍摄得到的交通序列图像，人们提出了很多视频图像处理和分析技术，其中最基本的研究领域就是交通场景中车辆对象的检测与跟踪。介绍了近年来提出的一些主要的车辆检测与跟踪技术，并根据核心处理方法（基于特征、区域或模型等）及处理域（空域、时域）的不同对这些技术进行了分类，同时分析比较了各种方法的优缺点。最后，说明了这一领域仍然存在的问题和对可能的研究方向进行了一定的预测。

在VS2015上，使用opencv3中的SVM和HOG特征，结合KCF算法实现目标跟踪，主要跟踪行人

目标的检测与跟踪技术在计算机视觉领域有着广泛的应用，比如在视频监控，无人驾驶，机器人等领域都有着举足轻重的价值。随着深度学习算法与技术的飞速发展，更是带动了该技术在性能、速度等方面取得了质的飞跃。然而随着社会的发展，需求的不断提高，我们在研究算法高效性的同时还要考虑算法所训练出的模型在实际应用上的性能与速度。本篇文章主要研究基于深度学习的目标检测与跟踪技术，该技术主要包括一个离线训练的检测模型，一个优化的跟踪器，以及一个学习模块来组成在线跟踪系统。通过研究出一种更快、性能更好的算法以及模型的压缩来达到使其训练出的模型在手机等嵌入式设备上实时运行的目的。

目标分割和目标跟踪是计算机视觉领域的基础研究领域。这两个主题很难处理一些常见的挑战，如遮挡、变形、运动模糊、缩放变化等。前者包含异构对象、交互对象、边缘模糊性和形状复杂性;后者在处理快速运动、不可见和实时处理方面存在困难。