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

本资源为随机有限集学习的matlab代码资源，如不能运行，请私聊联系博主！主要内容为随机有限集在多目标跟踪领域的应用，有PHD、Bernoulli、Cbmember、Glmb滤波的实现。

east_model_weights_3T736.zip

实现稳健的目标跟踪，建立有效的目标在线模型至关重要。针对现有在线学习跟踪算法缺乏对目标观测信息是否有效的判断，提出了一种简单且高效的解决方法。利用正负样本构建目标在线模型，基于压缩感知理论从多尺度图像特征空间提取特征信息完成目标表征之后，由随机蕨分类器进行分类并通过一种特征置信度度量策略来确定在线更新速率，最后由目标在线模型判断输出置信度最高的样本，此外还建立了一种遮挡反馈机制来决定是否更新目标在线模型。实验结果表明，该方法在目标被长时间遮挡、光照变化等情况下均能完成稳健跟踪，在320 pixel × 240 pixel 大小的视频序列中处理速度保持在30~50 frame/s左右，可以满足实时应用的需求。