多目標追蹤（multi-object tracking, mot）有兩種思路：
具體的一些演算法上文提到了，km匹配演算法、kcf（核相關濾波演算法）、deep-sort；針對自己的需要，可以有選擇性的選擇某類演算法。
目前主流的多目標追蹤演算法為分三類：
1. 以匈牙利、km匹配的後端追蹤優化演算法。(代表性的應用有sort、deep-sort)，這類演算法特點在於能達到實時性，但依賴於檢測演算法效果要好，特徵區分要好，這樣追蹤效果會好，id切換少。（輸出最終結果的好壞依賴於較強的檢測演算法，而基於卡爾曼加匈牙利匹配的追蹤演算法作用在於能夠輸出檢測目標的id，其次能保證追蹤演算法的實時性）。相關**和**如下:
基於多執行緒的單目標***的多目標追蹤演算法(代表性的演算法有kcf、leds)，這類演算法特點是跟蹤效果會很好，畢竟為每一類物體都單獨分配了乙個***。但該演算法對目標尺度變化要求較大，引數除錯需要合理，同時該演算法極耗cpu資源，實時性不高。
·kcf: 「high-speed tracking with kernelized correlation filters」 [*****] [code] in tpami 2015
·leds：「robust estimation of similarity transformation for visual object tracking」 [*****] [code] in aaai 2019.
基於深度學習的多目標跟蹤演算法。現階段end-to-end的演算法還不多，大多處於實驗室刷榜階段，有進一步落地應用的及時更新。相關**和**如下:
·dan: 「deep affinity network for multiple object tracking」 [*****] [code] in tpami 2019.
·mcsa: 「multi-object tracking with multiple cues and switcher-aware classification」 [*****] in cvpr 2019.
目標追蹤 多目標追蹤之資料關聯
最近忙著寫 斷更很久，現在和大家分享一下我目前研究的多目標追蹤中的資料關聯問題。首先說明一下我本人目前是做基於船舶自動駕駛的資料融合和多目標追蹤，儘管和計算機視覺方向的多目標追蹤本質是一樣的，但是兩個領域的技術手段是不同的。具體說來，cv方向更側重於高質量高可靠的檢測結果的獲取和提純，而雷達方向則更...
cv2多目標追蹤
本文主要介紹通過cv2的multitracker create 方法建立幾種不同的 用於實現多目標跟蹤，並給出跟蹤效果。import sys import cv2 from random import randint trackertypes boosting mil kcf tld medianf...
3 1多目標追蹤，3 2輔助函式
學習目標 dbt的方式就是典型的tracking by detection模式，即先檢測目標，然後將目標關聯進入跟蹤軌跡中。那麼就存在兩個問題，第一，該跟蹤方式非常依賴目標檢測器的效能，第二，目標檢測的實質是分類和回歸，即該跟蹤方式只能針對特定的目標型別，如 行人 車輛 動物。dbt則是目前業界研究...