1、demo文件夹： YOLOv4目标检测算法针对MVI_40192文件夹数据集的处理效果，比较满意，车辆信息基本都能检测到。 2、road1_demo文件夹： YOLOv4 + DeepSort算法，针对road1.mp4视频数据的目标跟踪、车流量计数效果。人工统计车流量292辆(可能有偏差)，算法统计车流量288辆。 3、road2_demo文件夹： YOLOv4 + DeepSort算法，针对road2.mp4视频数据的目标跟踪、车流量计数效果。人工统计车流量29辆，算法统计车流量29辆。 只要视频流车辆清晰、大小合适、轮廓完整，算法处理的精度挺高。 4、road1_tracking.mp4、road2_tracking.mp4： 由目标跟踪处理结果合成的视频流。 *********************************************************************************************** 1、deepsort文件夹： 含目标跟踪算法源码，包括：卡尔曼滤波、匈牙利匹配、边框类创建、Track类创建、Tracker类创建。 2、ReID文件夹： 含特征提取算法源码，model_data存储着reid网络的结构、权重，feature_extract_model.py用于创建特征提取类。 3、YOLOv4文件夹： 含目标检测算法源码，model_data存储yolov4网络配置、nets + utils用于搭建模型。decode.py用于将检测结果解码。 4、car_predict.py、yolo.py： 用于验证目标检测算法的效果。 5、main.py： 整个项目的运行入口，直接运行main.py，就可以调用YOLOv4+DeepSort，处理视频流信息，完成目标跟踪和车流量统计。

基于Meanshift的单目标跟踪算法【matlab+c两个版本】 基于meanshift的单目标跟踪算法实现 说明： 1. RGB颜色空间刨分，采用16*16*16的直方图 2. 目标模型和候选模型的概率密度计算公式参照上文 3. opencv版本运行：按P停止，截取目标，再按P，进行单目标跟踪 4. Matlab版本，将视频改为图片序列，第一帧停止，手工标定目标，双击目标区域，进行单目标跟踪。

快速移动 消息 （2021.2.13）支持Scaled-YOLOv4模型 （2021.1.3）为YOLO添加DIoU-NMS（+ 1％MOTA） （2020.11.28）Ubuntu 18.04上提供的Docker容器 描述 FastMOT是一个自定义的多对象跟踪器，它实现了： YOLO探测器 SSD检测器 深度SORT + OSNet ReID KLT光流跟踪 相机运动补偿 深度学习模型通常是Deep SORT的瓶颈，这使得Deep SORT无法用于实时应用程序。 FastMOT显著加快整个系统的实时甚至特森运行。 它也提供了足够的灵活性来调整速度精度的权衡，而无需使用轻量级的模型。 为了实现更快的处理速度，FastMOT仅每N帧运行一次检测器和特征提取器。 使用光流来填充间隙。 YOLOv4在CrowdHuman（82％mAP@0.5）上进行了训练，而SSD是TensorFlo

基于卡尔曼滤波的目标跟踪matlab经典程序——快速入门 基于卡尔曼滤波的目标跟踪经典matlab程序源代码，用于2维目标的跟踪，是初学者学习卡尔曼滤波的好教程。深入浅出，易于理解。

C#下的目标跟踪 camShift算法都是在OpenCV和C++的框架下实现的，这个程序可以在.Net下运行，并且返回位置的坐标和跟踪物体的角度。

介绍了信息融合的概念与结构，以及在雷达探测与跟踪中的应用

为了提高复杂环境下的目标跟踪精度，提出了一种基于序贯检测机制的双目视觉运动目标跟踪方法．该方法在序贯检测机制下，将粒子滤波、稀疏场主动轮廓和 CamShift 等方法结合．首先用基于颜色特征的粒子滤波，估计最优跟踪窗口；通过跟踪窗口和目标的相似度决定是否采用稀疏场主动轮廓方法，然后由目标轮廓和目标的相似度决定是否需要 CamShift 对轮廓进行修正；最后结合双目视觉的视差信息和标定模型对目标进行定位，引入视差置信区间判据可有效减少噪声影响，提高运动目标定位精度．实验表明本文所提的基于序贯检测机制的目标跟踪方法在摄像机运动－目标运动模式下，在目标有尺度、旋转、视角变化和环境有光照变化等情况下，能对运动目标进行有效地跟踪与定位，并且具有比较好的跟踪和定位精度

Multi object tracking-a litrature review.pdf

使用自适应相关滤波器的视觉目标跟踪

本文主要介绍了雷达目标跟踪中的扩展卡尔曼滤波算法，主要结合具体工程实现详细介绍各个算法公式中的具体工程使用参数，适合阅读工程跟踪代码的人群，增加对工程代码的理解