如果想成为中心，那么就到中心去吧。

因此，当试图将一个对象与丢失的几帧前的轨迹关联起来时，IoU可能会失败，因为边界框可能不会由于对象在丢失期间的运动而重叠。其中，∆h（box1，box2）表示边界框之间的高度差，而∆w（box1，box2）表示它们的宽度差。此外，hc和wc表示包含两个边界框的最小矩形的高度和宽度。为了解决这个问题，引入了DIoU，它使用边界盒中心之间的欧氏距离作为相似性度量。IOU有个主要的缺点，如果|A∩B|=0，IoU（A，B）=0。为了克服这一限制，引入了EIoU，其中包括边界框的宽度和高度的一致性。

【代码】基于Sparse Optical Flow 的Homography estimation。

【代码】基于SIFT / ORB的Homography estimation。

DarkLabel 是一个用于多目标跟踪 (MOT) 数据集制作的工具，主要用于标注视频中的目标，并为后续的跟踪算法提供高质量的数据。它的功能和特点包括：易用性：DarkLabel 提供了用户友好的界面，使得标注过程更加直观和高效。用户可以轻松地加载视频，进行目标标注和跟踪。多目标标注：支持同时标注多个目标，用户可以为每个目标分配唯一的标识符，这对于多目标跟踪任务至关重要。动态调整：用户可以根据视频内容的变化，动态调整标注框的位置和大小，以适应目标的运动和变化。

【代码】基于boxmot风格修改的hybrid_sort。

在实验中，LightGlue被作为SuperGlue的替代方案，能够以更少的运行时间预测出强大的匹配结果。该方法的创新之处在于其智能计算的能力，通过内省机制和早期剔除无效点，极大地提高了模型的效率。在实际应用中，LightGlue展现了作为SuperGlue替代方案的潜力，特别是在处理速度和资源利用上。在该论文的方法部分中，作者提出了一种名为LightGlue的方法，并详细描述了其在视觉信息处理中的创新性。这篇论文的方法部分展现了作者对计算资源管理的创新思考，利用深度学习的方法实现了高效的2D图像匹配。

SuperGlue方法通过将特征匹配问题视为在两组局部特征之间找到部分分配的问题，重新审视了基于图的经典匹配策略。它通过解决线性分配问题，将其松弛为一个可微分的最优传输问题，从而实现了特征匹配过程的端到端学习。核心方法：传统方法通常通过学习任务无关的局部特征，然后使用简单的匹配启发式方法和技巧来进行特征匹配。SuperGlue摒弃了这种方式，转而从预先提取的局部特征中学习匹配过程。

稀疏光流法是计算机视觉中的一项基本任务。然而，它依赖于恒定的假设限制了其在高动态范围（HDR）场景中的适用性。在本研究中，我们提出了一种新的方法，旨在通过学习一个对光照变化具有鲁棒性的特征映射来超越图像的颜色信息。该特征图随后被构造成一个特征金字塔，并集成到稀疏的Lucas-Kanade（LK）光流中。通过采用这种混合光流方法，我们克服了亮度常数假设的限制。具体来说，我们利用一个轻量级的网络从图像中提取特征图和关键点。考虑到为浅层网络获得可靠的关键点的挑战，我们采用了一个额外的深度网络来支持训练过程。

RIFE，一种用于视频帧插值（VFI）的实时中间流估计算法。许多最近基于流动的VFI方法首先估计双向光流，然后将它们缩放和反转为近似的中间流，从而导致运动边界和复杂管道上的伪影。RIFE使用一个名为IFNet的神经网络，该神经网络可以直接估计从粗到细的中间流量，速度要快得多。RIFE 不依赖于预训练的光流模型，并且可以支持使用时间编码输入进行任意时间步长帧插值。与流行的 SuperSlomo 和 DAIN 方法相比，RIFE 快 4–27 倍，产生更好的结果。

光流是像素在图像序列中的表观运动。为了估计光流，场景中物体的运动必须具有相应的亮度位移。这意味着一张图像中移动的红球在下一张图像中应该具有相同的亮度和颜色，这使我们能够确定它在像素方面移动了多少。图 1 显示了一个光流示例，其中逆时针旋转的吊扇被一系列图像捕获。最右边的彩色图像包含了从第 1 帧到第 2 帧每个像素的明显运动轨迹，并进行了颜色编码，不同的颜色表示像素运动的不同水平和垂直方向。这就是密集光流估计的一个例子。密集光流估计为每个像素分配一个二维光流向量，描述其在时间间隔内的水平和垂直位移。

现在，考虑一下我们是否需要查看图像的角落或重要点的时间变化。我的意思是如果我们想随着时间的推移跟踪一些物体。是的，此时 GFTT 来帮助我们了。如果任何方向上的强度发生相当大的变化，GFTT 会将其标记为潜在的关键点。是的，我们几乎可以说它们是相同的。好的特征是必不可少的，因为它们为跟踪提供了稳定的点。GFTT：它不是根据阈值选择角点，而是选择具有最高特征值的前 N ​​个角点。blockSize：用于计算 Harris 角点响应的像素邻域的大小。如果提供，它指定将检测角点的区域。所有参数都会影响输出。

仿射变换（Affine Transformation）是数学和计算机图形学中的一种线性变换，它包括了平移、旋转、缩放、剪切等操作。仿射变换保留了几何图形的“仿射性质”，即平行线在变换后仍然平行，线性组合在变换后仍然是线性组合，并且保持点的相对顺序和比例关系，但不一定保持角度和距离。在二维空间中，仿射变换可以用一个2×2的矩阵和一个2×1的平移向量来表示。具体来说，如果我们有一个点xy，其变换后的新位置x′y′可以通过以下公式得到：其中，矩阵ac​bd​。

让我们从对光流的高层次理解开始。光流是对象在序列的连续帧之间的运动，由对象和相机之间的相对运动引起。光流问题可以表示为：光流问题在连续帧之间，我们可以将图像强度 (I) 表示为空间 (x,y) 和时间 (t) 的函数。换句话说，如果我们获取第一张图像 I(x,y,t) 并在 t 时间内将其像素移动 (dx,dy)，我们将获得新图像 I(x+dx,y+dy,t+dt) ）。首先，我们假设物体的像素强度在连续帧之间是恒定的。光流的恒定强度假设其次，我们采用RHS的泰勒级数近似，并去除常用项。

当我之前谈到不同的观点时，我的意思是在编写代码之前，我们需要弄清楚如何解释 panning 和 trucking 之间的区别。在这篇文章中，我们将使用平移和推车的示例来介绍区分移动的概念。对于其他组合（例如变焦和推车），可能需要采用不同的方法。卡车运输时，场景中的所有物体都以相同的速度移动。然而，在平移时，距离摄像机较近的物体移动速度比距离摄像机较远的物体快。因此，我们的想法是比较视频中不同物体的速度差异。如果差异高于某个阈值——视频就会发生平移，否则——卡车。它的效果出奇地好，但不幸的是也有其局限性。

DanceTrack提供框和身份注释。它包含100个视频，40个用于训练(注释公共)，25个用于验证(注释公共)，35个用于测试(注释非公共)。DanceTrack是一个基准数据集，用于在统一的外观和不同的运动中跟踪多个对象。PS： 需要修改GT的目录和跟踪结果目录。PS: 请根据自己的代码进行修改。

随着速度方向的变化，我们引入了置信度和高度状态作为潜在的弱线索。此外，通过强线索和弱线索，我们的方法Hybrid-SORT在不同的基准上取得了优越的性能，包括MOT17、MOT20、MOT20，特别是在舞蹈跟踪中，在复杂的运动中经常发生交互和严重的阻塞。在本文中，我们提出了一种新的鲁棒的最先进的跟踪器，它可以结合运动和外观信息的优点，以及相机运动补偿，和一个更精确的卡尔曼滤波状态向量。尽管只使用了一个熟悉的技术的基本组合，如卡尔曼滤波器和匈牙利算法的跟踪组件，这种方法实现了与最先进的在线跟踪器相当的精度。

在本文中，我们提出了一个简单而有效的框架，称为光跟踪，用于在线人体姿态跟踪。现有的方法通常在顺序阶段进行人工检测、姿态估计和跟踪，其中姿态跟踪视为离线二部匹配问题。我们提出的框架被设计为通用的、高效的和真正的在线的方法。为了提高效率，单人姿态跟踪（SPT）和视觉对象跟踪（VOT）被合并为一个统一的在线功能实体，很容易由一个可替换的单人姿态估计器实现。为了降低离线优化成本，该框架还将SPT与在线身份关联联系起来，并首次阐明了多人关键点跟踪与多目标对象跟踪（MOT）的桥梁。

野外动态障碍物的多目标跟踪（MOT）是农业机器人实现动态避障的重要前提。农村地区复杂、不可预测的道路环境会对机器人造成严重的振动，影响摄像机的姿势，从而导致物体匹配错误。因此，我们提出了一种改进的方法，即深度感知观测中心简单在线实时跟踪（DA-OCSORT），其中包括两个新模块，即基于惯性测量单元（IMU）的相机运动补偿（ICMC）和深度感知（DA）。该方法可以利用IMU信息对摄像机的自我运动进行补偿，并通过物体深度信息进行多维匹配，从而最大限度地减少摄像机运动对跟踪过程的影响。

通过结合目标检测和目标跟踪，可以实现对动态场景中目标物体的实时定位和跟踪，为许多实际应用提供了重要的支持。目标跟踪：根据目标匹配的结果，进行目标跟踪。然后，通过比较目标的特征向量来匹配目标，在不同帧之间建立目标的对应关系。目标特征提取：在检测到目标之后，对目标物体进行特征提取，一般会使用卷积神经网络（CNN）来提取目标的特征向量。更新目标模型：在跟踪过程中，随着目标物体的运动和外观变化，可能需要根据新的检测结果和跟踪信息来更新目标的模型和特征描述，以提高跟踪的准确性和稳定性。首先查找该动态库文件地址。