双摄像头的实时视频拼接及目标跟踪（六）

对实时拼接好的视频进行实时目标跟踪

本文为优快云原创文章，转载请注明出处

对拼接好的视频帧还需做目标跟踪处理，即画一个矩形框选定图像中目标，之后在每帧图像中，该矩形框都会出现在目标上。

目标跟踪算法现状

可参考该大神的文章https://www.zhihu.com/question/26493945/answer/156025576

目标跟踪分短期（Short-Term）跟踪、长期（Long-Term）跟踪，又可分为单目标跟踪和多目标跟踪。短期目标跟踪是对目标进行短时间跟踪，在首帧选定区域之后，对之后的几百帧的跟踪质量来衡量。一旦漂移导致跟丢目标，将不能再进行跟踪。长期目标跟踪是对目标长时间进行跟踪，即使目标发生形变、离开视频区域后再出现或是被物体遮挡，都可以继续进行跟踪，不会受到这些因素的影响。本节主要介绍的是短期单目标跟踪。

目标跟踪算法的优劣有两个衡量指标，一个是跟踪速度，一个是跟踪准确率。实际应用中，根据应用的需要，在两者之间进行取舍。OTB50、OTB100、VOT竞赛的数据库是用来衡量目标跟踪算法的数据库，而在这几个数据库出现之前，并没有用来衡量目标跟踪算法的标准数据库，大家都是自吹自擂，可能在某个自定的数据集效果很好，而换到其他的则效果极差。
影响目标跟踪算法研究的主要困难在于目标跟踪目标的尺度，跟踪目标与背景相似，目标运动速度太快导致的边界效应，以及物体形变、物体被遮挡等，而目前基本都有了一定的解决办法。

目标跟踪算法大致分为两类模型，分别为生成类模型、判别类模型。下面依次介绍这两类算法的主要思想以及该相关类代表性的算法。
首先，生成类算法是先对选定的目标区域进行建模，然后对下一帧寻找与该类型最相似的区域，即为预测的跟踪目标所在区域。DAT和ASMS这两种算法是比较经典的生成类算法， 是基于颜色特征的，其帧率比较快，但是无法很好的解决目标形变的或者模糊所带来的影响。

接着，再介绍判别类算法，其主要思想是基于机器学习的，通过对第一帧进行分类处理，将选定的目标区域作为正样