1 2 3 6 6 6 目标跟踪 多目标跟踪评价指标 hart-master算法介绍和个人理解 基于tensorflow的跟踪实现 下一步学习计划

多目标跟踪任务的代码,内含演示代码以及视频.演示代码为main.py

室内环境下多运动目标跟踪的核心问题是目标的快速识别和准确匹配,目标的快速识别关键在于目标对象的特征提取,寻找不变的特征值。针对以上两个问题,采用基于颜色直方图的特征提取方法并用欧氏距离匹配法实现特征值的相似度匹配。提出的区域相应和特征匹配相结合的多运动目标跟踪算法解决了因为快速运动和长时间遮挡而引起的目标跟踪丢失问题。

该课题为基于Matlab的运动目标跟踪系统。可以实时框定运动目标。对运动目标的行为做识别。带有人机交互界面，需要在人机交互界面的基础上进行拓展

运算速度尚可，win10的64位系统，vs2015+opencv3.4，直接可运行，只需要改变视频读入的路径即可

一种新的自适应鲁棒无味卡尔曼滤波器，用于提高目标跟踪的精度

目标跟踪理论在国防、商用等领域都具有重要价值，并且是实现智能交通系统的基础。针对智能交通系统中需要对特定的运动目标进行跟踪和监测的要求，利用卡尔曼滤波算法对目标进行跟踪并对其下一时间的运动位置、运动方向、速度等信息进行预先估算以达到及时监测的目的。通过分别对机动目标和非机动目标的仿真试验，得出了卡尔曼滤波算法可以对运动的目标实现实时跟踪，且非机动目标的跟踪效果要优于机动目标的结论。

在VS2015上，使用opencv3中的SVM和HOG特征，结合KCF算法实现目标跟踪，主要跟踪行人

目标的检测与跟踪技术在计算机视觉领域有着广泛的应用，比如在视频监控，无人驾驶，机器人等领域都有着举足轻重的价值。随着深度学习算法与技术的飞速发展，更是带动了该技术在性能、速度等方面取得了质的飞跃。然而随着社会的发展，需求的不断提高，我们在研究算法高效性的同时还要考虑算法所训练出的模型在实际应用上的性能与速度。本篇文章主要研究基于深度学习的目标检测与跟踪技术，该技术主要包括一个离线训练的检测模型，一个优化的跟踪器，以及一个学习模块来组成在线跟踪系统。通过研究出一种更快、性能更好的算法以及模型的压缩来达到使其训练出的模型在手机等嵌入式设备上实时运行的目的。

无迹卡尔曼滤波（UKF）是重要的非线性滤波方法。 无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算，在不对非线性方程线性近似的条件下，达到线性卡尔曼滤波器的滤波性能。