著名视频目标跟踪benchmark - VOT2013，内部包含16个视频数据及对应的标注文件，本benchmark源于官网下载组织而成，方便连接外网不方面的同学。

J6xx - POC_Tracking items.pdf

SFND 3D对象跟踪 欢迎来到相机课程的最后一个项目。 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扎实的了解。 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，您将继续使用相机进行相同的操作，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。 您的目标是找出最适合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

Multiple hypotheses tracking

1. 基于MediaPipe实现姿态检测。、 2. 使用bazel编译,生成动态库，提供给winform调用

密集杂波环境下的多目标跟踪（MTT）一直是雷达目标跟踪领域的研究难点，关键是有效地将状态滤波与数据关联相结合。 在密集杂波环境中，除了目标点的回波之外，还存在来自未知散射的大量杂波干扰，因此很难处理数据。 本文提出了一种基于轨迹定向多假设跟踪（TOMHT）和支持向量机（SVM）的密集杂波环境下的杂波滤波算法，用于对杂波进行滤波，并为后续的目标跟踪提供先验的环境信息。 。 在满足跟踪精度的前提下，降低了混乱的密度，提高了数据关联的效率。 结果表明，该算法可以有效抑制杂波并提高跟踪性能。

本文档详细介绍了多目标跟踪领域的MHT（多假设跟踪算法原理，具体算法），适合对于多目标跟踪的初学者，以及深入了解MHT的人

跟踪空间 非工程师的天体动力学软件 KeepTrack 旨在为普通用户提供轨道分析工具。 通过提供通常只能在昂贵的工具包中找到的功能，我们让每个人都可以了解轨道力学和卫星操作。 代码已经重写了多次，现在几乎没有像原来的那样，但是如果没有@jeyoder 的原始 stuffin.space，这一切都是不可能的。 目录 版本控制 代码的工作原理 测试 时尚指南 贡献者 执照 安装 从版本 3 开始，github 页面会自动将主分支的最新版本部署到https://thkruz.github.io/keeptrack.space/ 。 定期将最稳定的版本推送到https://keeptrack.space 。 内置 通天塔 柏 7 开玩笑 26 jsdom 网络包 5 先决条件 从 3.0 版本开始，KeepTrack.Space 使用 ES6+ 模块构建，并使用 Webpack 组

iTracker神经网络模型原始论文，帮助理解网络组成原理和样本采集策略。结合我上传的数据集，可以训练基于tensorflow的深度学习模型

CNN-检测-跟踪 用于车辆检测和跟踪的python脚本