深度学习理论在计算机视觉中的应用日趋广泛，在目标分类、检测领域取得了令人瞩目的成果，但是深度学习理论在目标跟踪领域的早期应用中，由于存在跟踪时只有目标为正样本，缺乏数据支持，对位置信息依赖程度高等问题，因而应用效果并不理想，传统方法仍占据主流地位.近年来，随着技术的不断发展，深度学习在目标跟踪方向取得了长足的进步.本文首先介绍了目标跟踪技术的基本概念和主要方法，然后针对深度学习在目标跟踪领域的发展现状，从基于深度特征的目标跟踪和基于深度网络的目标跟踪两方面重点阐述了深度学习在该领域的应用方法，并对近期较为流行的基于孪生网络的目标跟踪进行了详细介绍.最后对近年来深度学习在目标跟踪领域取得的成果，以及未来的发展方向作了总结和展望.

matlab实现目标跟踪，直接运行

行业分类-电信-利用声音信号升级固件的方法及装置.rar

基于深度学习的目标视频跟踪算法综述.pdf

SiamFC：利用全卷积孪生网络进行视频跟踪-附件资源

SiamRPN++无水印PDF和Word翻译，参考https://blog.csdn.net/qq_36449741/article/details/99696208

运动目标的检测与跟踪是视频分析的关键内容，也是计算机视觉研究的一个重要方向，它是智能监控、人机交互、航空航天、国防工业等应用的基础和关键技术，是当前的研究热点内容之一。本文在基于DirectShow的开发环境下，实现了具有检测与跟踪功能的视频系统，并主要针对Mean Shift跟踪算法进行了研究。

C#--vs2002-程序很好，可完整运行----可以实时分析运动物体的跟踪轨迹 usb摄像头-运动物体视频跟踪源代码--cv_src C#--vs2002-程序很好，可完整运行----可以实时分析运动物体的跟踪轨迹 usb摄像头-运动物体视频跟踪源代码--cv_src

基于双麦克风声源定位的视频跟踪.docx 研究思路分享

在视频跟踪系统的研究中，目标检测是至关重要一环，其结果的好坏关系到图像的分析与识别，直接影响机器视觉系统对客观世界的理解。实现图像中目标边缘检测有许多不同的方法，也一直是图像处理的研究热点，人们期望找到一种定位准、抗噪强、不误检、不漏检的检测算法[1]。经典的算法中主要用梯度算子，较常用的有Roberts、Prewitt和Sobel算子，其中Sobel效果较好，但也存在不足之处，无法避免噪声，对后续的图像处理有很大的影响。