基于视觉的目标跟踪具有广泛应用价值，在研究生期间阅读的37篇前言论文，打包下载

17种视觉目标跟踪算法（含相关滤波和深度学习2大派系）的代码（含matlab、Python和c的实现）、论文以及自己学习心得和网上权威原理解读，自己上研究生区间实验室师兄弟专业整理，大部分代码均能调通。【BACF、C-COT、CFLB、CN、CSK、CSRDCF、DSST、fDSST、KCF、LMCF、MCCF、MOSSE、MOSSE_CA、SAMF、SRDCF、STAPLE、STRCF共17种】

针对在线学习跟踪算法中目标模型更新错误而导致跟踪漂移的问题，提出了一种简单但高效的解决方案。在目标区域均匀采样点跟踪器，基于纹理描述对前后两帧点跟踪器进行置信度评估并以此完成目标初步定位，由多维特征时空上下文模型输出目标位置置信图以完成目标精确定位，同时结合置信图决定模型更新速率并给出了一种多尺度更新机制。实验表明，该方法在背景干扰、快速运动、遮挡、光照变化及尺度变化下均能完成稳健跟踪，在320 pixel×240 pixel的视频序列中平均跟踪速度为55.1 frame/s，可以满足实时应用的需求。

针对计算机视觉中目标跟踪的问题,提出基于卷积神经网络(CNN)提取深度特征并与边缘特征进行自适应融合的策略来实现视频目标的跟踪算法。卷积神经网络的低层网络可以获取目标的一部分空间结构、形状等特征;高层网络可以获得相对比较抽象的部分语义信息。将VGG16神经网络中第2个卷积层Conv1-2、第4个卷积层Conv2-2和最后一个卷积层Conv5-3提取的深度特征与边缘特征进行特征的自适应融合来实现视频目标跟踪。在OTB100数据集中对本文算法进行实验验证与分析,结果表明,本文算法能够对目标实现更加准确的定位。

针对目前基于主动视觉的PTZ摄像机控制跟踪性能差，无法连续、实时跟踪动态目标，且跟踪目标的准确度低下等缺陷，提出了一种基于核相关视觉目标跟踪算法的云台摄像机控制方法。首先设计了云台摄像机系统的整体架构。视觉目标跟踪采用核相关目标跟踪方法，时效性很高，跟踪精确度也位列于目标跟踪领域的高等水平。根据跟踪结果信息，通过PELCO-D协议控制PTZ摄像机，始终保持目标在视频画面内。并用C++实现了KCF算法控制PTZ摄像机上位机，实验验证了该种PTZ控制方法的准确性、适用性及稳定性。

视觉目标跟踪指在一个视频序列中,给定第一帧目标区域,在后续帧中自动匹配到该目标区域的任务。通常来说,由于场景遮挡、光照变化、物体本身形变等复杂因素,目标与场景的表观会发生剧烈的变化,这使得跟踪任务本身面临极大的挑战。

实现稳健的目标跟踪，建立有效的目标在线模型至关重要。针对现有在线学习跟踪算法缺乏对目标观测信息是否有效的判断，提出了一种简单且高效的解决方法。利用正负样本构建目标在线模型，基于压缩感知理论从多尺度图像特征空间提取特征信息完成目标表征之后，由随机蕨分类器进行分类并通过一种特征置信度度量策略来确定在线更新速率，最后由目标在线模型判断输出置信度最高的样本，此外还建立了一种遮挡反馈机制来决定是否更新目标在线模型。实验结果表明，该方法在目标被长时间遮挡、光照变化等情况下均能完成稳健跟踪，在320 pixel × 240 pixel 大小的视频序列中处理速度保持在30~50 frame/s左右，可以满足实时应用的需求。

视觉目标跟踪的代码，2015年比赛方提供。DPCF/EBT/SWCF等