Multitarget-Multisensor Tracking Applications and Advances Vol III[2000]

A framework of tracking by multi-trackers with multi-features in a hybrid cascade way

ＧＰＳ跟踪环路。采用锁相环加码跟踪环的结构。PLL+DLL。I支路即时码就是Bits of the navigation message了

mavros_apriltag_tracking 该软件包允许PX4驱动的无人机跟踪摄像机检测到的移动目标（在这种情况下为AprilTag）。 标记检测是使用apriltag_ros软件包完成的。 目标的位置和速度估计是使用基于恒速模型的卡尔曼滤波器实现的。 无人机使用位置控制器的实现方式进行控制，该位置控制器将速度命令发送到PX4。 检测和控制是针对无人机框架进行的。 因此，可以避免由局部固定帧中的漂移引起的错误。 如果对您的工作有帮助，请给此仓库一个STAR 视频： 安装 该软件包已在Ubuntu 18 + ROS Melodic + PX4 10.1上进行了测试 Docker镜像 测试此软件包的最简单方法是通过为此项目准备的现成的Docker映像，可 使用脚本自动拉并运行映像。 不要忘记使用chmod +x docker_px4_vehicle_tracking.sh使它可执行

行人侦查跟踪 使用Mobilenet SSD进行行人检测和跟踪 行人检测 使用Caffe Mobilenet SSD进行了培训，详细信息（ ） 然后将模型转移到 （针对移动平台进行了优化的深度学习框架） 追踪 基于光流和卡尔曼滤波器的多对象跟踪器，更多详细信息： : 用法 编译ncnn 转到3rd_party / ncnn （与Raspberry Pi等ARM平台一起使用时，修改ncnn / CMakeLists.txt：添加add_definitions(-mfpu=neon) ，修改ncnn / src / CMakeLists.txt：将40to46行修改为if(TRUE) ） mkdir build cd build cmake .. make 其余全部编译在根目录中mkdir build cd build cmake .. make 跑步去建立/ ./main

siamese-fc：使用完全卷积暹罗网络以50-100 FPS进行任意对象跟踪

SFND 3D对象跟踪 欢迎来到相机课程的最终项目。 通过完成所有课程，您现在对关键点检测器，描述符和在连续图像之间进行匹配的方法有了深入的了解。 另外，您知道如何使用YOLO深度学习框架检测图像中的对象。 最后，您知道如何将摄像机图像中的区域与3D空间中的激光雷达点相关联。 让我们看一下程序原理图，看看我们已经完成了什么，还缺少什么。 在这个最终项目中，您将实现原理图中缺少的部分。 为此，您将完成四个主要任务： 首先，您将开发一种使用关键点对应关系随时间匹配3D对象的方法。 其次，您将基于激光雷达测量来计算TTC。 然后，您将使用摄像头进行相同的操作，这需要首先将关键点匹配与感兴趣的区域相关联，然后根据这些匹配来计算TTC。 最后，您将使用该框架进行各种测试。 您的目标是确定最适合TTC估计的检测器/描述符组合，并寻找可能导致相机或激光雷达传感器测量错误的问题。 在此毫微学位的

使用YOLOv4和DeepSORT的行人跟踪

SDC-车道和车辆检测-跟踪 Python中的OpenCV，用于自动驾驶汽车的车道线和车辆检测/跟踪 阅读我关于这个项目的 Medium。

gaze_tracking Python中的简单注视跟踪，使用Timm＆Barth的基于梯度的算法来定位虹膜中心 算法 定位虹膜中心。 在图像中查找面Kong。 使用硬编码的面部比例获取粗略的眼睛区域。 找到每个眼睛区域的虹膜中心。 1.计算x和y图像渐变。 2.计算每个像素的归一化梯度向量（g i ）。 3.将每个像素测试为可能的中心。 使用每个像素的梯度矢量。 计算从可能的中心到梯度向量位置的归一化位移向量（d i ）。 计算（d i ）和（g i ）的点积，并将结果加到该可能中心的总和中。 如果该可能中心的和大于先前的最大和，请存储可能中心的坐标并更新最大和。 4.用最大总和作为该眼睛虹膜的中心标记可能的中心的坐标。 查找虹膜外的参考点。 将虹膜中心与参考点进行比较，以确定注视方向。 Timm＆Barth的眼中心定位算法 纸： Timm，F.和Barth，E.（