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。

针对星空背景下卫星跟踪中运动小目标与伪目标交会造成的跟踪漂移问题, 提出一种基于多域卷积神经网络(MDNet)与自回归(AR)模型的空中小目标自适应跟踪方法。 对用MDNet采集到的图像序列第1帧的正样本进行bounding-box回归模型训练; 再训练用最小信息准则和最小二乘法确定阶数和参数的AR模型, 估计目标运动轨迹并预测目标位置; 最后, 将该目标位置作为MDNet的采样中心, 约束采样候选区域, 用bounding-box回归模型调整目标位置。 实验用8种跟踪方法测试了8组场景复杂的视频序列, 结果表明, 本文方法的成功率及平均覆盖率均显著高于其他7种典型算法, 具有较高的精确性和稳健性。

针对生猪多目标跟踪过程中猪舍内光照情况复杂、生猪间遮挡等问题，改进了传统多运动目标跟踪算法，开发了一套基于计算机视觉技术的目标跟踪系统。改进了前景检测方法，将灰度差分、S通道差分和帧间差分所获取的差分图像相融合。利用阴影与背景的颜色差异性和纹理相似性消除阴影的影响，得到完整的前景图像，提高了前景提取的准确度。改进均值漂移算法实现对目标生猪运动行为的准确跟踪，改进的算法融入了目标生猪的初始位置与颜色信息，修正了目标直方图模型，提高了跟踪的准确率。不同品种、不同光照条件下生猪的运动行为跟踪实验的结果表明，运动目标检测方法能够有效消除阴影对跟踪的影响，同时验证了算法的稳定性，跟踪准确率大于85%。

为了克服核相关滤波(KCF)只根据目标外观模型追踪时准确性低的不足,融入运动模型,计算了检测目标框和预测目标框的交并比(IOU)。通过匈牙利算法,确定了目标间的最优关联。KCF和IOU模型都具有快速响应的特点,因此算法可满足在线处理数据的要求。在公开的2DMOT2015、MOT16数据集上进行实验,将所提方法与其他优秀方法相比,在保证30 frame/s以上处理速度的同时,追踪准确性提高10%以上。

针对多目标跟踪算法中经常会面临的各种挑战, 如相机的突然运动、遮挡、误检和外观相似等情况, 提出一种基于核相关滤波(KCF)的分步关联框架。首先, 该算法采用基于卷积神经网络的目标检测器检测目标, 获得准确的检测结果。然后, 为了更好地预测目标的运动状态, 通过加权融合三种特征的跟踪结果, 为每个目标建立一个基于KCF算法的快速跟踪器。此外, 为了有效地降低碎片化轨迹的数量, 该算法通过跟踪片的置信度分步关联轨迹, 并在遮挡的情况下, 利用在线随机蕨重新检测目标。最后利用关联成功的检测信息自适应更新KCF算法中的尺度。实验结果表明, 与现有算法相比, 所提算法能够在各种复杂的条件下, 表现出强大和高效的跟踪性能。

KCF目标跟踪的c++代码程序，其中修改了抗遮挡的部分，使其有“记忆性”的功能。其是一个很好的研究KCF的例子。希望研究目标跟踪的研究者可以详细的研究其原理