本文是浏览多篇博文后，总结供自学使用，因为有时间跨度上的原因，没有标明各原博文的引用，如有侵权，请告知我删除或标明出处，先在此感谢

一、目标跟踪分类

（1）根据目标分类

        单目标

        多目标

        行人重检测（Person Re-ID）

        姿态跟踪

        多目标多摄像头跟踪（MTMCT）

        工业检测的机器视觉中，我们更关心单目标跟踪（SOT）和多目标跟踪（MOT）问题

（2）根据时间分类

        在线或离线跟踪

        工业检测中，一般是实时在线检测

二、问题难点

        形态变换、尺度变换、遮挡与消失、图像模糊等

        工业检测中，我们更关心光照和图片模糊等问题，对于检修时进行零部件跟踪，需要考虑遮挡和消失问题。

三、模型分类

        生成式模型：首先建立目标模型或提取目标特征，在后续帧进行相似特征搜索，逐步迭代实现目标定位

        鉴别式模型：将目标和背景同时考虑在内，通过对比目标模型和背景信息的差异，将目标模型提取出来，从而得到当前帧目标位置

四、算法分类

1 传统算法

1. 特征匹配 SIFT  SURF  Harris角点
2. 光流法  通过用视频序列在相邻帧之间的像素关系 寻找像素的位移变化，来判断目标的运动状态
3. Meanshift 基于概率密度分布的跟踪方法，适用于目标彩色模型和背景差异较大的情况，如人脸跟踪
4. 粒子滤波 基于粒子分布统计，分多次随机撒下粒子，通过比较粒子和目标相似度分配粒子数目。该方法不适合对目标特征建模，而适合对运动模型建模
5. 传统算法的缺点
   • 没有考虑背景信息，目标遮挡、光照变化、运动模糊时，算法会失败

   • 速度慢（FPS≈10），FPS > 30 才有实时性

2 基于核相关滤波的算法

                MOSSE、CSK、KCF、BACF、SAMF

        相关滤波，衡量两个信号的相似程度

        速度快，数百帧每秒

        MOSSE思想：越是相似的两个目标相关值越大

3 基于深度学习的算法

        卷积网络学习特征 + 相关滤波或Struck（结构化） 的跟踪框架

        卷积输出特征优于HOG或CN特征

五、为什么用检测不用跟踪？？？

1. 跟踪速度比检测快，因为不需要逐帧检测，而是通过一次检测后的先验信息，在接下来的n张图片上通过跟踪算法实现目标识别
2. 检测失败时，通过跟踪器的运动预测，可以提供找回检测目标的帮助。
3. 跟踪算法可以保留标识，可以区分同一类别的不同目标

六、目标检测的跟踪过程

        第一步，运动模型 估计 对象的大概位置

        第二步，外观模型 精确调整此位置

        第三步， 如果目标简单且外观变化不大，对目标生成目标模板

                        如果对象外观有巨大变化，需要在线分类器训练

七、Opencv中核相关滤波算法比较

        KCF：快、准、综合效果好

        CSRT：精度最高，但速度慢

        MSSE： 最快，但精度较差

        多目标检测 MultiTracker ：

                就是多个单目标检测器同时跟踪不同目标，结合到一起

                所消耗的时间是单目标检测算法的5~7倍

八、基于深度学习的多目标跟踪方案

        Yolo作为检测器 + Deep_Sort作为跟踪器

九、补充

        解决遮挡问题通常的解决方法是联系上下文信息，通过运动模型推导出消失物体的位置，有臆想成分。