提出了一种用于空间配准和多目标跟踪（MTT）的扩展产品多传感器基数化概率假设密度（PM-CPHD）滤波器。 目标的数量和状态以及传感器的偏差是通过这种方法联合估算的，而无需数据关联。 蒙特卡罗（MC）仿真结果表明，所提出的方法（i）的性能优于（i），尽管在计算上要比用于联合空间配准和MTT的扩展多传感器PHD滤波器要好； （ii）优于多传感器联合概率数据关联（MSJPDA）过滤器，该过滤器在杂波相对密集时也适用于联合空间配准和MTT。

结合图像处理技术和概率数据关联（PDA）运动模型，我们开发了一种新颖的框架来解决噪声背景不佳的非机电系统的对象跟踪问题。 新模型具有两个优点：（1）通过集成统计运动模型，可以比现有模型更精确地模拟许多非机电系统中的对象运动。 （2）由于采用了全局搜索的最佳模型参数，与依赖连续帧区分的其他方法相比，该模型更好地在高噪声环境中跟踪对象。 我们在提出的模型中推导了期望最大化（EM）算法。 合成数据和图像数据集都证明了其有用性。 引入了模型稳定性以量化模型的实用性。

据我目前了解掌握，多目标跟踪大概有两种方式：基于初始化帧的跟踪，在视频第一帧中选择你的目标，之后交给跟踪算法去实现目标的跟踪。这种方式基本上只能跟踪你第一帧选中的目标，如果后续帧中出现了新的物体目标，算法是跟踪不到的。这种方式的优点是速度相对较快。缺点很明显，不能跟踪新出现的目标。基于目标检测的跟踪，在视频每帧中先检测出来所有感兴趣的目标物体，然后将其与前一帧中检测出来的目标进行关联来实现跟踪的效果。这种方式的优点是可以在整个视频中跟踪随时出现的新目标，当然这种方式要求你前提得有一个好的“目标检测”算法。本文主要讲述Option2的实现原理，也就是TrackingByDetecting的跟踪方

与多目标跟踪（MultipleObjectTracking简称MOT）对应的是单目标跟踪（SingleObjectTracking简称SOT），按照字面意思来理解，前者是对连续视频画面中多个目标进行跟踪，后者是对连续视频画面中单个目标进行跟踪。由于大部分应用场景都涉及到多个目标的跟踪，因此多目标跟踪也是目前大家主要研究内容，本文也主要介绍多目标跟踪。跟踪的本质是关联视频前后帧中的同一物体（目标），并赋予唯一TrackID。随着深度学习的兴起，目标检测的准确性越来越高，常见的yolo系列从V1到现在的V5（严格来讲V5不太算），mAP一个比一个高，因此基于深度学习的目标检测算法实际工程落地也越来

最近做了一些多目标跟踪方向的调研，因此把调研的结果以图片加文字的形式展现出来，希望能帮助到入门这一领域的同学。也欢迎大家和我讨论关于这一领域的任何问题。这些是我所了解的多目标跟踪（MOT）的一些相关方向。其中单目标跟踪（VOT/SOT）、目标检测（detection）、行人重识别（Re-ID）都是非常热门的方向。而偏视频的相关方向就比较冷门。而且今年五月DukeMTMC因为隐私问题不再提供MTMCT的数据了，MTMCT的研究也是举步维艰。因此绝大多数MOT算法无外乎就这四个步骤：①检测②特征提取、运动预测③相似度计算④数据关联。其中影响最大的部分在于检测，检测结果的好坏对于最后指标的影响是最大

近年来卷积神经网络框架被成功地应用到目标跟踪领域, 并取得了较为稳健的跟踪结果。基于此思想, 提出一种基于定位-分类-匹配模型的目标跟踪方法。首先, 在定位模型中, 利用前一帧的位置信息预测当前帧中的候选目标区域。然后, 采用已训练的深度特征对候选区域进行类间筛选, 选出N个次优目标区域。最后, 利用常规颜色特征对次优目标区域进行类内寻优匹配, 从而确定最终的跟踪目标。与此同时, 分别对定位、分类中的网络进行更新, 并对建立的匹配模型进行在线实时更新, 使得其对目标的描述更加准确。在OTB50和OTB100标准数据库上进行实验测试, 结果表明, 提出的跟踪方法在快速运动、相似物体干扰、复杂背景等条件下具有较好的跟踪稳健性。

运动目标检测，opencv工具使用，经典，省你很多事情，保证能用 运动目标检测，opencv工具使用，经典，省你很多事情，保证能用

包含了JPDA学习笔记，MATLAB代码以及相关的论文。可以结合笔记和论文看代码，看懂后可以对代码中的参数进行调节，以理解不同参数的作用。

各种目标跟踪算法程序（KF，EKF，UKF） 附有pdf说明文档及示例

使用opencv3.4，测试KCF单目标跟踪，代码经过编译测试，可正常执行，修改了网络上一些代码错误。该代码上传错误