传统MeanShift目标跟踪算法通过bin-bin颜色直方图表示目标特征，直方图中往往会混入背景颜色信息，造成跟踪不准确；同时由于MeanShift算法具有局部最优性，当目标受到严重遮挡丢失后，不能对目标重新定位跟踪。为了解决上述问题，在颜色直方图和抗遮挡能力方面进行了改进。利用交叉bin颜色直方图代替传统的bin-bin颜色直方图表示目标特征，减少背景颜色的干扰，提高MeanShift算法跟踪精度；当目标受到严重遮挡丢失后，通过一种尺度变化调整机制，在全局范围内搜索目标位置，提高MeanShift算法抗遮挡能力。实验显示，改进后的算法不仅在背景干扰大时对目标的跟踪精度更高，而且当目标受到严重遮挡丢失后，也能够对目标重新定位跟踪。

传统核窗宽固定的mean shift跟踪算法不能很好地对尺寸变化的目标进行有效的跟踪。在结合增量试探法和梯度方向检测的基础上，提出了一种适应带宽的mean shift目标跟踪算法。算法能够对逐渐放大和逐渐缩小的目标都能够进行有效的跟踪，解决了增量试探法难以很好地对放大目标进行自适应带宽跟踪的问题，提高了自适应带宽跟踪的准确性。两段不同场景下的运动目标跟踪实验，证实了该算法的有效性。

压制干扰下雷达网点目标概率多假设跟踪算法

针对多目标视频跟踪中需要主要解决的目标冲突、合并以及分离等问题，提出了基于自适应混合滤波的多目标跟踪算法。采用混合高斯背景建模法获得前景图，并对图中阴影采用一种简化去除算法，即判断前景像素时，将HSV分量用加权的形式描述，而不必对各个分量依次判断。对前景图提取观测值时，引入了合并处理算法，将分裂的多个矩形检测框进行合并。然后，利用推理的方法将前景观测值与目标关联，用自适应混合滤波算法实现多目标有效跟踪。该算法结合了均值漂移算法运算效率高的和粒子滤波算法能够有效处理遮挡情况的特点。实验表明该算法可以高效地跟踪多目标、准确判断目标的出现和消失，并能够解决多目标冲突、合并和分离等问题。

ROS路径规划器（进行中） 这是针对跟随机器人的基于ROS的控制系统和模拟器。 该体系结构在自治系统和机器人技术中具有大量用例。 基本路径规划算法是与轨迹优化器结合使用的A-star算法。 可视化在RViz中完成。

针对传统核相关滤波器(KCF)无法处理严重遮挡及光照变化等问题, 提出一种结合快速角点检测与双向光流法的长期KCF跟踪算法。首先利用KCF跟踪器在目标位置上提取融合方向梯度直方图特征、颜色属性特征和灰度特征的多通道特征, 计算输出响应图并得到所跟踪目标的峰值旁瓣比(PSR), 然后通过比较PSR与经验阈值来判断目标是否被遮挡; 当目标出现遮挡时, 在快速角点检测的角点基础上利用双向光流法重新检测下一帧目标位置, 并采用一种新模板更新策略来应对严重遮挡。与其他算法进行对比实验, 验证了本文算法对处理遮挡和光照变化具有高效性及稳健性。

Staple跟踪算法源码,基于Matlab的版本，在数据集上跑的速度还可以，来源于CVPR2016的一篇基于互补学习的论文

分析并比较了多传感器联合概率数据协会（MSJPDA）跟踪算法的并行和顺序实现。 开发了两种用于比较多传感器概率数据关联过滤器的非仿真技术，并用于比较算法的顺序和并行实现的跟踪性能。 已显示非仿真技术可以准确预测在仿真中观察到的性能趋势，也就是说，按顺序执行可在RMS位置误差和跟踪寿命方面提供更好的跟踪性能。 对于顺序实施，还简要解决了不同传感器的处理顺序问题。 我们还表明，随着传感器数量的增加，顺序实现的计算复杂度将降低。 因此，当不需要数据关联例程时，顺序和并行实现在多传感器过滤中是等效的，而当需要数据关联时，顺序实现则提供了出色的跟踪性能。

TLD跟踪算法源代码（作者的MATLAB+C版本） 可以选择图区图片或是从摄像头采集视频源 TLD跟踪算法源代码（作者的MATLAB+C版本） 可以选择图区图片或是从摄像头采集视频源

 本文研究基于IMMJPDA 算法的多机动目标跟踪，并对IMMJPDA 算法中聚矩阵的构成进行了改进。当目标
采用不同模型时，将产生多个相互独立的聚矩阵和可行矩阵，同时得到相应的可行矩阵的条件概率。最后利用模型
概率对上述条件概率进行加权求和得到关联概率。改进后的IMMJPDA 算法在RMSE 超调性能上有了一定的提高。