使用visual studio c++开发的MOSSE代码，包含两个视频文件，配置好库之后可运行工作。depend on OpenCV库及fftw3库，且MOSSE封装为DLL

该课题为基于matlab的运动汽车跟踪系统。读录视频，进行视频分帧，提取背景，框定运动目标。计算运动目标的数量，速度车道，车流密度等等信息带有人机交互界面框架，适合具备一定编程基础的人员学习。

目标跟踪算法HCF的改进版，将HCF中的VGG-19特征换成DenseNet特征

源码——行为识别：基于骨架和目标跟踪的行人跌倒检测

为设计一种可自动跟踪、避障的无人机视觉导航技术，将无人机同时搭载双目和单目摄像头：单目摄像头采集无人机相对于被跟踪物体的图像，并采用经Kalman预测器优化的连续自适应均值漂移算法对目标进行有效跟踪；双目摄像头实时采集无人机前进方向上的图像信息，并利用SGM算法计算深度图以分割出无人机前进方向上的障碍物信息。无人机在跟踪目标物体的同时，可自主避开行进方向上的障碍物。实验结果表明，该方法可以有效引导无人机持续、精确地对目标物体进行跟踪，并在跟踪过程中及时躲避前进方向上的障碍物。

针对共口径红外/毫米波复合制导应用需求,提出一种基于自回归(AR)谱估计和扩展卡尔曼滤波的信息融合处理新方法,基于此方法构建了实现红外/毫米波复合制导信息处理的多处理器片上系统(multiprocessor SoC,MPSoC),该系统采用主/从流水线结构,解决了基于此系统框架的多核通信、系统同步等问题.所提多处理器片上系统在单片FPGA上实现,FPGA实测结果表明,目标融合预测轨迹和真实轨迹基本重合,误差不超过10-2 rad,航向角融合精度远高于毫米波雷达和红外的精度,取得了比较好的融合效果;在100MHz的时钟下,整个红外/毫米波复合制导的信号处理的处理时间不超过2ms,满足复合制导对系统的实时性要求.

作者：付饶，管业鹏 摘要：为有效跟踪视频网球运动,提出了一种基于卡尔曼滤波预测的粒子滤波网球运动跟踪方法.基于多尺度小波变换在时域和空域均具有优异的局部化特征,将相邻帧视频图像进行差分,提取反映前景运动的目标特征信息,克服光照变化以及网球运动尺度随时不断变化的不利因素影响;同时,基于网球场地结构化特性,排除场地外不利干扰因素影响.在此基础上,采用卡尔曼滤波对粒子进行预测和修正,将当前观测信息融入到粒子滤波过程中,估计预测粒子状态的均值和协方差,使动态粒子更加接近其后验概率分布,从而提高网球运动目标的跟踪精度.通过与同类方法在不同网球公开赛的定量对比,实验结果表明,所提方法能有效跟踪视频网球运动目标.展开 关键词：网球跟踪 粒子滤波 卡尔曼滤波 多尺度小波变换 预测 DOI： 10.3969/j.issn.1005-9490.2019.04.031 年份： 2019

利用Kinect2.0，基于LOBSTER算法进行多目标的实时跟踪，并自动录制跟踪视频。

为解决Sift在目标跟踪中实时性不高的问题，提出了基于窗口的Surf目标跟踪方法．相比Sift目标跟踪，快速鲁棒尺度不变Surf在速度上有了一定的提高。为进一步提高算法的实时性，只对视频图像中包含目标的局部窗口提取Surf特征点。利用特征点之间的相对信息，采用仿射变换方法计算跟踪目标窗口的大小，并获得目标的大致位置信息，最后使用Kalman滤波器对窗口大小和位置信息平滑处理。实验结果表明，该方法在提升速度的同时，对目标发生尺寸变化及旋转等情况时能准确地跟踪物体。

实际生活里，因为许许多多的视觉方面的信息大多是来自运动的，所以目前针对在线目标的检测方面，已经广为流传。比如：在军事领域的飞行器自动驾驶、目标在线跟踪导航、医学领域的生物组织分析，包括对微观细胞的在线跟踪导航等；银行，机场、商店和政府重要机构等安全场所的智能监控等等，在线目标检测已经深入人们的日常生活，产生了不可替代的作用。随着科技各个研究领域的迅速发展，在各种不同的应用场合，人们对在线目标检测的现实要求越来越高，只有不断的提高在线目标检测的实时性、准确性才能不断地满足现实生活的需求。 现今业内比较通用的算法主要有以下三种，光流法、帧间分差法以及本篇文章所要利用的背景分差法。背景差分法的基本原理是，首先要获得经过统计建立模型的背景，然后当前的帧图像减去背景图像，结果里面的像素值同阈值T比较，假如得到的结果是小于阀值的，那么这个就是背景像素，相反就是目标像素，那么通过这种方式，背景像素相对应的目标像素也能检测到，接着将得到的目标图像进行二值化处理，再对其进行形态学处理。从实验结果可以看出，本文所用方法能够准确的检测到运动物体，且不受噪声的干扰。