1.Object Tracking-跟踪算法系列一SingleObject Tracker

Object Tracking-跟踪算法系列一SingleObject Tracker

       跟踪算法简介

       OpenCV提供多种跟踪算法，如BOOSTING、MIL、KCF、条形码扫描源码TLD、MEDIANFLOW、GOTURN、MOSSE和CSRT。注意，这些算法主要用于单个对象的跟踪，而GOTURN基于CNN。synflood java源码笔记主要介绍传统的跟踪方法。

       其他跟踪算法包括FairMOT，它结合检测和再识别任务，实现高效再识别和跟踪结果。FairMOT采用基于CenterNet的大力盘源码无锚点方法。尽管其性能不如传统OpenCV跟踪算法，但为未来基于深度学习的跟踪器奠定了基础。

       使用anaconda创建单独的OpenCV环境，通过pip安装相关包。演示代码如下：

       不同算法的趋势记录源码优缺点概览：

       BOOSTING Tracker：基于AdaBoost的在线版本，用于人脸检测。需要实时训练正负例。初始边界框作为对象的正例，框外的许多图像块被视为背景。跟踪性能中等，隐藏投诉源码无法可靠判断失败。

       GOTURN Tracker：唯一基于CNN的跟踪算法，对视角、光照和形变有较强鲁棒性。但对遮挡处理不佳。GOTURN使用Caffe模型进行跟踪，需要在代码所在目录内放置Caffe模型和proto文本文件，或从opencv_extra仓库下载并预处理。

       MOSSE Tracker：基于最小输出平方误差（MOSSE），使用适应性相关进行对象跟踪，初始化稳定。MOSSE对光照、比例、姿态和非刚性变形有鲁棒性。能检测到遮挡，并继续跟踪。在高帧率下运行，易于实现，性能优于复杂跟踪器，但低于基于深度学习的跟踪器。