这是几篇关于meanshift算法思想是怎么提出来的，以及以后在图像处理，目标跟踪等方面的应用。作者深刻介绍了算法的思想，并配有仿真图，为学习好此算法打下坚实的基础，同时是每一个学习meanshift算法的人所必须了解和深刻认识的论文。

数据融合matlab代码ECE767 多目标跟踪和多传感器信息融合 作业1 在以下情况下实现最近邻居EKFor CMKFtracker： 目标： 使用恒速模型移动单个目标。 传感器： 位置：[1000 500]，固定（即速度= [0 0]）测量：范围和方位角误差标准偏差：范围= 10 m，方位角= 0.01 rad采样时间= 2s Pd = 0.9错误警报密度（λ）= 1e-4覆盖范围：[0至10000] m方位角[-pi至pi] 追踪器： 假设音轨已经初始化。 使用简单的最近邻居数据关联（获取最接近的度量值）使用EKF或CMKF过滤 绩效评估： 评估RMSE在报告中， 请包括以下内容： Matlab代码图显示真相和估计轨迹图显示RMSE 截止日期：2019年10月17日

多假mhtmat算法实验室代码MCMCDA 该存储库包含论文“用于多目标跟踪的马尔可夫链蒙特卡罗数据协会”的 matlab 代码。 这段代码是从网上复制过来的，根据论文进行了小幅修改。 MCMCDA 是一种常用的多目标跟踪算法，用于计算机视觉和雷达信号处理。 其性能优于传统的多目标跟踪算法，如JPDA（联合概率数据关联）和MHT（多假设跟踪）。 纸张可在 。

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。

无人机目标检测和跟踪数据集，近一万张，每张图片都是从高分辨率图片中切割出来的，都被切割成了416x416大小，类别名为drone,小目标，标签为txt格式和xml格式，可直接用于YOLO目标检测

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。