针对一个扫描周期内单个目标可能产生多个量测的问题, 提出一种基于标签随机有限集的扩展算法. 结合脉冲扩展标签多伯努利(-GLMB) 滤波器和多量测模型, 推导出新的更新方程; 采用假设分解策略对关联过程进行降维, 避免了量测分组过程. 实验分析表明: 所提出算法能对目标数进行无偏估计, 在低探测概率条件下跟踪性能明显优于多量测概率假设密度(MD-PHD) 算法; 计算开销在量测较少时高于MD-PHD, 量测个数增加时增幅低于MD-PHD.

针对多目标视频跟踪中需要主要解决的目标冲突、合并以及分离等问题，提出了基于自适应混合滤波的多目标跟踪算法。采用混合高斯背景建模法获得前景图，并对图中阴影采用一种简化去除算法，即判断前景像素时，将HSV分量用加权的形式描述，而不必对各个分量依次判断。对前景图提取观测值时，引入了合并处理算法，将分裂的多个矩形检测框进行合并。然后，利用推理的方法将前景观测值与目标关联，用自适应混合滤波算法实现多目标有效跟踪。该算法结合了均值漂移算法运算效率高的和粒子滤波算法能够有效处理遮挡情况的特点。实验表明该算法可以高效地跟踪多目标、准确判断目标的出现和消失，并能够解决多目标冲突、合并和分离等问题。

分析并比较了多传感器联合概率数据协会（MSJPDA）跟踪算法的并行和顺序实现。 开发了两种用于比较多传感器概率数据关联过滤器的非仿真技术，并用于比较算法的顺序和并行实现的跟踪性能。 已显示非仿真技术可以准确预测在仿真中观察到的性能趋势，也就是说，按顺序执行可在RMS位置误差和跟踪寿命方面提供更好的跟踪性能。 对于顺序实施，还简要解决了不同传感器的处理顺序问题。 我们还表明，随着传感器数量的增加，顺序实现的计算复杂度将降低。 因此，当不需要数据关联例程时，顺序和并行实现在多传感器过滤中是等效的，而当需要数据关联时，顺序实现则提供了出色的跟踪性能。

 本文研究基于IMMJPDA 算法的多机动目标跟踪，并对IMMJPDA 算法中聚矩阵的构成进行了改进。当目标
采用不同模型时，将产生多个相互独立的聚矩阵和可行矩阵，同时得到相应的可行矩阵的条件概率。最后利用模型
概率对上述条件概率进行加权求和得到关联概率。改进后的IMMJPDA 算法在RMSE 超调性能上有了一定的提高。

基于交互式多模型与多传感器联合概率数据互联的机动多目标跟踪算法，翟茹玲，汤三，针对机动目标在跟踪过程中，实际目标运动形式的复杂性和目标机动的不确定性，文中研究了基于卡尔曼滤波的交互式多模型算法，通过

针对美国联合导控器实验室提出的数据融合模型中多传感器多目标跟踪算法的仿真验证和定量评估的问题,采用模块化和开放性结构思想,面向对象编程及Visual C++与Matlab混合编程技术,构建了一类通用的可视化多传感器多目标跟踪算法仿真平台。该平台能够完成多种目标跟踪算法仿真、测试与评估功能。通过在系统运行的一个软件实例,证明了仿真平台的有效性与实用性。

camshift 多目标跟踪算法，使用鼠标选中摄像头视频流中的多个目标，即可进行对目标进行跟踪。后续可使用kalman及例子滤波对目标跟踪进行优化，kalman及例子滤波程序参见我的其他资源。

TLD多目标跟踪算法程序，纯C版本，直接可以运行，跟踪速度快，由作者提供的混编程序改变，WINdow，Linux下都可以流畅的运行。

目标跟踪是计算机视觉领域中研究的热点之一，分为单目标跟踪与多目标跟踪。前者跟踪视频画面中的单个目标，后者则同时跟踪视频画面中的多个目标，得到这些目标的运动轨迹。基于视觉的多目标跟踪在近年来越来越多地成为计算机视觉领域的研究重点，主要是因为其在智能监控、动作与行为分析、自动驾驶、虚拟现实和娱乐互动等领域都有重要的应用。例如，在自动驾驶系统中，目标跟踪算法要对运动的车、行人、其他动物的运动进行跟踪，对它们在未来的位置、速度等信息作出预判；在虚拟现实领域里，需要根据摄像头捕捉到的人物动作和轨迹，实现人机交互的目的。那么，跟踪算法有哪些主要分支？不同的跟踪算法是如何实现的呢？让我们带着这些问题开始多目

基于深度学习的目标跟踪算法综述论文，参考文献100多篇，权威发布！ 基于深度学习的目标跟踪算法综述论文，参考文献100多篇，权威发布！