目标跟踪是计算机视觉的一个具有挑战性的方向,其基本思想是序列图像中根据目标在视频信息的空间和时间上相关性,从而确定感兴趣的目标在每一帧的位置和姿态以及目标的运动轨迹。目标跟踪的困难主要由于目标的形状及尺度的变化、目标不可预知性的运动以及目标所处的背景存在干扰观测的物体等引起。本课题使用一种基于压缩感知理论的高效的跟踪算法,确定跟踪的目标,在目标周围采集正样本,远离目标采集负样本,利用符合 RIP 原则的随机测量矩阵对提取的样本特征进行降维,并采用朴素贝叶斯分类器分类,同时更新分类器。在研究算法的基础上,利

目标跟踪算法代码 + 论文 和 笔记等 相关内容打包发送。

针对实际的运动目标跟踪问题中存在的各种物理约束，采用基于在线滚动优化原理的滚动时域估计方法，将跟踪滤波问题转换为带约束的有限时域优化问题，并通过引入到达代价函数，有效减少了优化问题求解所需的计算量。最后，对实际的目标跟踪问题进行了滚动时域估计仿真研究。Monte Carlo仿真结果表明，滚动时域估计能有效提高跟踪精度，并且能在采样周期之内完成求解，满足在线估计的需要。

tld算法matlab代码 multi-aim-track 多目标跟踪相关内容 相关设备 相关算法     评估标准

产生高斯混合倾斜噪声，用于目标跟踪领域，matlab代码需要解压后使用

这是一个kalamn滤波器的简单历程，对于初学者会有很大的帮助

opencv目标跟踪核心代码,对做视频目标跟踪有很大的帮助

具有深度强化学习的粗到精细无人机目标跟踪

本文旨在开发一种通用框架，以在单元格之间发生碰撞和分裂时准确跟踪和定量表征多个单元格（对象）。 通过引入单元格之间的三种类型的交互事件，即独立性，碰撞和分裂，定义了相应的动态模型，并针对空间变​​化的大小相邻的单元格，首先提出了一种增强的交互多模型粒子滤波跟踪算法。 另外，为了减少帧之间的对应性的歧义性，估计的小区动态参数和小区大小都被进一步用于识别关注小区。 实验是在两个真实的细胞图像序列上进行的，这些图像序列具有细胞碰撞，分裂或数量变化的特征，并获得并分析了所产生的动态参数，例如瞬时速度，转弯速率。

本文旨在开发一种通用框架，以在单元格之间发生碰撞和分裂时准确跟踪和定量表征多个单元格（对象）。 通过引入单元格之间的三种交互事件，即独立性，碰撞和分裂，定义了相应的动态模型，并针对空间变​​化的大小相邻的单元格，首先提出了一种增强的交互多模型粒子滤波跟踪算法。 另外，为了减少帧之间的对应性的歧义性，估计的小区动态参数和小区大小都被进一步用于识别关注小区。 实验是在两个真实的细胞图像序列上进行的，这些图像序列具有细胞碰撞，分裂或数量变化的特征，并获得并分析了所产生的动态参数，例如瞬时速度，转弯速率。