目标跟踪算法的分类
R L 算 法 介 绍 及 比 较
2017目标跟踪算法综述2017目标跟踪算法综述时间：2017年7月31日。
本文所提的跟踪主要指的是单目标跟踪，多目标跟踪暂时不作为考虑范围。
本文主要从常用的评价标准，如EAO,EFO，fps等，分析2016-2017年最新出的目标跟踪文章在应用层面的优缺点。
算法原理不作为本文重点，旨在对比不同方法的“效果和时间性能”，方便大家根据不同的业务常见选择不同的方法。
本文按照以下几类进行展开，并不局限于传统方法或者深度学习。
TCNN C-COT ECO (根据名次递增)CFNet DCFNet SANet DRLT (端到端CNN RNN)CA-CF BACF （利用背景信息，框架性通用改进）ACET Deep-LK (优于C-COT or MDNet, 且CPU实时)LMCF Vision-based (速度提升，但性能提升不明显CPU实时)2017目标跟踪算法综述目标跟踪VOT2016 BenchMark评价标准介绍推荐网站TCNN C-COT ECO 根据名次递增TCNN17_arXiv CVPR_TCNN_Modeling and Propagating CNNs in a Tree Structure for Visual TrackingC-COT16_ECCV_CCOT_Beyond Correlation Filters - Learning ContinuousCFNet DCFNet SANet DRLT 端到端CNN RNNDCFNet17_arXiv prePrint_DCFNet_ Discriminant Correlation Filters Network for Visual TrackingSANet17_CVPR_SANet Structure-Aware Network for Visual Tracking DRLT17_arXiv prePrint_DRLT_Deep Reinforcement Learning for Visual Object Tracking in VideosCA-CF BACF 利用背景信息框架性通用改进CA-CF17_CVPR_CA-CFContext-Aware Correlation Filter Tracking BACF17_CVPR_BACF_Learning Background-Aware Correlation Filters for Visual TrackingACET Deep-LK 优于C-COT or MDNet 且CPU实时ACET17_arXiv prePrint_ACET_Active Collaborative Ensemble TrackingDeep-LK17_arXiv prePrint_Deep-LK_ for Efficient Adaptive Object TrackingLMCF Vision-based 速度提升但性能提升不明显CPU实时LMCF17_CVPR_LMCF_Large Margin Object Tracking with Circulant Feature MapsVision-based17_arXiv prePrint_NULL_Vision-based Real-Time Aerial Object Localization and Tracking for UAV Sensing System目标跟踪VOT2016 BenchMark评价标准介绍见目标跟踪VOT2016 BenchMark评价标准介绍推荐网站OTB Results: 这是foolwood总结的目标跟踪发展主线图：这是foolwood总结的这是浙江大学Mengmeng Wang同学在极视角公开课上展示的一个总结： foolwood这个人在github上最新的一些跟踪方法常见数据集上的结果比较。
单目标跟踪
单目标跟踪单目标跟踪是计算机视觉领域的一个重要研究方向，其目标是在给定一段视频序列中，跟踪并持续追踪一个指定的目标。
单目标跟踪在实际应用中具有广泛的应用，例如视频监控、智能交通系统等。
单目标跟踪的过程可以分为目标检测和目标跟踪两个阶段。
目标检测是在视频帧中定位目标的位置，通常使用深度学习模型进行目标检测，如YOLO、Faster R-CNN等。
目标跟踪则是在目标检测的基础上，通过跟踪算法实时追踪目标的位置。
目标跟踪算法可以分为基于外观模型和基于运动模型两种类型。
基于外观模型的跟踪算法主要是通过对目标的外观特征进行建模，例如颜色、纹理等，来实现对目标的跟踪。
常用的算法有卡尔曼滤波、粒子滤波、均值漂移等。
基于运动模型的跟踪算法则是通过对目标的运动进行建模，例如运动的速度、加速度等，来实现对目标的跟踪。
常用的算法有光流、导向滤波等。
在目标跟踪中，常常会面临一些挑战，如遮挡、光照变化、目标的形变等。
为了应对这些挑战，研究者提出了各种改进的跟踪算法。
例如，为了应对遮挡问题，可以将目标分为多个部分进行跟踪，或者引入深度信息进行跟踪。
为了应对光照变化问题，可以采用自适应的外观模型，或者使用光照不变特征进行跟踪。
为了应对目标的形变问题，可以通过引入先验知识进行跟踪。
随着深度学习的快速发展，许多研究者开始将深度学习应用于目标跟踪中。
使用卷积神经网络进行目标跟踪可以提取更有代表性的特征，从而提高跟踪的准确性。
目前，基于深度学习的目标跟踪算法已经取得了显著的进展，并在多个基准数据集上取得了领先的结果。
总之，单目标跟踪是一项具有挑战性的任务，但也是计算机视觉领域中的一个重要研究方向。
通过不断改进算法，提高跟踪的准确性和鲁棒性，单目标跟踪在实际应用中的价值将会更加凸显。
TLD目标跟踪算法
TLD目标跟踪算法一、算法的背景TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生Zdenek出的一种新的单目标长时间（long term tracking）跟踪算法。
该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。
同时，通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块的目标模型及相关参数，从而使得跟踪效果更加稳定、鲁棒、可靠。
对于长时间跟踪而言，一个关键的问题是：当目标重新出现在相机视野中时，系统应该能重新检测到它，并开始重新跟踪。
但是，长时间跟踪过程中，被跟踪目标将不可避免的发生形状变化、光照条件变化、尺度变化、遮挡等情况。
传统的跟踪算法，前端需要跟检测模块相互配合，当检测到被跟踪目标之后，就开始进入跟踪模块，而此后，检测模块就不会介入到跟踪过程中。
但这种方法有一个致命的缺陷：即，当被跟踪目标存在形状变化或遮挡时，跟踪就很容易失败；因此，对于长时间跟踪，或者被跟踪目标存在形状变化情况下的跟踪，很多人采用检测的方法来代替跟踪。
该方法虽然在某些情况下可以改进跟踪效果，但它需要一个离线的学习过程。
即：在检测之前，需要挑选大量的被跟踪目标的样本来进行学习和训练。
这也就意味着，训练样本要涵盖被跟踪目标可能发生的各种形变和各种尺度、姿态变化和光照变化的情况。
换言之，利用检测的方法来达到长时间跟踪的目的，对于训练样本的选择至关重要，否则，跟踪的鲁棒性就难以保证。
考虑到单纯的跟踪或者单纯的检测算法都无法在长时间跟踪过程中达到理想的效果，所以，TLD方法就考虑将两者予以结合，并加入一种改进的在线学习机制，从而使得整体的目标跟踪更加稳定、有效。
简单来说，TLD算法由三部分组成：跟踪模块、检测模块、学习模块；如下图所示其运行机制为：检测模块和跟踪模块互补干涉的并行进行处理。
运动目标跟踪
运动目标跟踪运动目标跟踪是一种利用计算机视觉技术来自动识别和追踪视频中的运动目标的方法。
它在实际应用中具有广泛的用途，例如视频监控、交通监控、自动驾驶等。
运动目标跟踪的目标是识别和跟踪视频中的感兴趣目标，并在目标移动、形状变化、遮挡等复杂场景下保持准确的跟踪。
跟踪的过程一般包括目标检测、目标定位和目标跟踪三个步骤。
首先，目标检测是从视频中检测出所有可能的目标区域。
常用的目标检测算法包括基于深度学习的目标检测算法，如Faster R-CNN、YOLO等。
这些算法可以快速准确地检测出目标区域，并生成候选框。
然后，目标定位是确定目标在当前帧中的准确位置。
目标定位一般采用基于特征的方法，通过计算目标候选框与目标模板之间的相似度来确定目标的位置。
常用的目标定位算法包括颜色直方图、HOG特征等。
这些算法可以通过算法模型进行目标定位，并快速准确地输出目标的位置。
最后，目标跟踪是在视频序列中持续追踪目标，并在目标发生变化或遮挡时进行目标重新定位和跟踪。
常用的目标跟踪算法包括基于粒子滤波器的跟踪算法、卡尔曼滤波器跟踪算法等。
这些算法可以利用目标模型和观测模型进行目标跟踪，并实时更新目标的位置和状态。
运动目标跟踪的关键技术包括目标检测和定位、目标跟踪和状态估计、特征提取和匹配等。
当前，随着深度学习技术的发展，基于深度学习的运动目标跟踪方法已经取得了很大的突破。
这些方法可以通过大规模的数据训练模型，实现更加准确和鲁棒的目标跟踪效果。
总之，运动目标跟踪是一种利用计算机视觉技术来自动识别和追踪视频中的运动目标的方法。
它在实际应用中具有广泛的用途，并且随着深度学习技术的发展，其性能和效果正在不断提高。
将来，运动目标跟踪技术有望在各个领域得到更广泛的应用。
目标跟踪算法在无人机中的应用
目标跟踪算法在无人机中的应用近年来，无人机技术的快速发展给许多领域带来了便利。
其中，无人机在目标跟踪方面的应用越来越广泛，成为各类科研与商业活动的重要工具。
而目标跟踪算法则是无人机实现目标跟踪的关键所在。
一、目标跟踪算法简介目标跟踪在计算机视觉领域中是一个重要而又常见的问题，涉及到模式识别和图像处理。
目标跟踪算法是指从监控视频中自动提取目标的轨迹，跟踪目标在视频帧序列中的位置和运动轨迹，从而实现目标跟踪的过程。
早期的目标跟踪算法主要是基于像素的比较及其变化来提取目标轮廓及其变化。
后来，随着计算机视觉和机器学习的发展，目标跟踪算法更多地采用特征提取和分类方法，如卡尔曼滤波、粒子滤波、支持向量机等。
二、目标跟踪算法在无人机中的应用随着无人机技术的发展与普及，目标跟踪算法也得到了广泛应用，成为无人机进行任务的重要工具。
在一些商业领域中，例如航拍、测绘、灾害勘察等，无人机调用摄像头拍摄目标的视频，然后通过目标跟踪算法进行分析处理，使拍摄到的画面更加准确，节省时间和资源。
而在一些军事领域中，无人机往往需要进行目标跟踪并持续监视，如侦查、反恐等。
对于无人机目标跟踪算法的实现，往往需要综合考虑算法的精确度、可靠性和实时性。
在实际应用中，往往采用多种算法进行改进和优化。
例如，可以利用卡尔曼滤波算法进行位置和速度的估计，结合粒子滤波算法提高跟踪精度，还有一些深度学习算法能够加强对复杂场景目标跟踪的效果。
三、无人机目标跟踪算法面临的挑战虽然无人机目标跟踪算法实现了很大的进展，仍然存在以下挑战。
1. 复杂环境下的目标跟踪问题在复杂场景下，目标跟踪往往面临多个难题，如光照不均、天气变化、云雾干扰等等。
这些困难往往会干扰算法的正常执行，使得目标跟踪的精度和实时性受到影响。
2. 运动估计的问题目标跟踪算法的实现主要基于运动估计，精确的运动估计能够保证完整和连续的目标跟踪。
但在一些情况下，如速度与方向的变化，会对运动估计带来极大的挑战，从而影响跟踪的准确性。
TLD目标跟踪算法
TLD目标跟踪算法TLD（Track Learning Detection）是一种目标跟踪算法，它结合了目标跟踪和目标检测的方法，能够在复杂环境中跟踪目标并检测目标的丢失。
TLD算法的核心思想是结合在线学习和离线学习的方法，通过检测器（detector）来检测目标，并通过跟踪器（tracker）来跟踪目标。
在在线学习阶段，检测器会进行训练，学习目标的外观特征和形状信息。
而在跟踪阶段，跟踪器会根据检测器的输出来进行目标的跟踪，同时根据跟踪结果反馈给检测器，进行修正。
TLD算法的具体步骤如下：1. 首先，通过一个强分类器进行目标检测。
这个强分类器使用了Haar特征和Adaboost算法进行训练，能够在图像中快速定位目标。
2.检测到目标后，根据目标的位置和尺度信息，将目标裁剪出来作为正样本，并提取其外观特征，包括颜色、纹理等。
3.同时，从目标附近随机选择一些负样本，并提取其外观特征。
这些负样本一般是与目标外观相似的背景区域。
4. 然后，使用一个在线集成学习器（Online Ensemble Learning）来学习目标的外观特征。
这个学习器使用了随机决策的方法，通过多个弱分类器的投票来进行目标的分类。
5.在跟踪阶段，通过跟踪器来进行目标的跟踪。
跟踪器使用了一个模板，通过计算目标与模板的相似度来判断目标的位置。
6.如果跟踪器发生目标丢失，即目标与模板的相似度低于一个阈值，那么就需要重新进行目标检测。
7.在进行目标检测时，使用之前训练得到的检测器，来对图像进行目标检测。
同时，根据跟踪器的输出结果，对检测器进行修正，从而提高检测的准确率。
TLD算法的优点是能够在复杂环境中进行目标跟踪，并且能够适应目标的外观变化。
它通过结合目标检测和目标跟踪的方法，能够在目标丢失时及时进行目标检测，从而提高了跟踪的准确率和稳定性。
然而，TLD算法也有一些缺点。
首先，由于在跟踪阶段是基于目标检测结果来进行跟踪的，所以在目标遮挡或者快速移动时容易出现跟踪失败。
基于分类模型的目标跟踪算法研究
Ａｂ ｔａ ｔ Ｔｈ ｌ ｏ ｉ ｍ ｆｔ ｒ ｅ ｒ ｃ ｎ ｓｂ ｓ ｄ ｏ ｈ ｌ ｓ ｉ ｃ ｔ ｎ ｍｏ ｅ．Ｉ ｈ ｓａｇ ｒｔ ｍ ｈ ａ ｇ ｔ ｓｎ ｔ ｎ ｓ ｒ ｃ ｅ ａｇ ｒｔ ｈ ｏ ａ ｇ ｔ ａ ｋｉｇ ｉ ａ ｅ ｎ ｔ ｅ ｃａ ｓｆ ａ ｉ ｄ １ ｎ ｔ ｉ ｌ ｏ ｉ ｔ ｉ ｏ ｈ ｔ ｅ ｔ ｒ ｅ ｗａ ｏ Ｏ ｌ ｈ ａ ｌ ｓ ｆｏ ｔ ｅ ｓ ｎ ｏ ｓ ａ ｌｓ ｗｅ ｅ ｃａ ｓｆ ｄ ｂ ｕ ｅ ｉｈ ｗｅ ｅ ｄ ｆ ｅ ｙ ｔ ｅ ｍｏ ｅ ．Ｉ ｖ ｒ ｌｓ ｐ ｃａ ｙ ｔ ｅ ｓ ｍｐ ｅ ｒ ｍ ｈ ｅ ｓ ｒ ．Ｓ ｍｐ ｅ ｒ ｌ ｓ ｉ ｅ ｙ ｒ ｌｓ ｗｈ ｃ ｒ ｅ ｉ ｄ ｂ ｈ ｄ １ ｎ ｅ ｅ ｙ ｃａ ｓ ａ ｓ ｅ ｉｌ ｉ ｎ ｖ ｌ ｅ ｗａ ａ ｃ ｌ ｔ ｄ ｗｈ ｃ ｓ ｃ ｎ ｉ ｅ ｅ ｓ ａ ｎ ｗ ａ ｌ ｎ ｔｗａ ｈ ｐ ｔｏ ｈ ｅ ｔｌｖ １ ａ ｕ ｓ ｃ ｌ ｕ ａ ｅ ｉｈ ｗａ ｏ ｓｄ ｒ ｄ ａ ｅ ｓ ｍｐ ｅａ ｄ ｉ ｓｔ ｅ ｉ ｕ ｆｔ ｅｎ ｘ ｅ ｅ ．Ｔｈ ｌｓ ｉ ｅ ｓｃ ｎ ｂ ｅ ｎ ｅ ｃａ ｓｆ ｒ ａ ｅ ｄ — ｉ
Ｃ Ａ模 型 的缺 陷在 于模 型 中 目标 的运 动 形 式 单一 ，
而 在 Ｓｎ ｅ 模 型 中对 于 机动 加 速 度 的概 率 密 度 函 ｉｇ ｒ 数 服从 均匀分 布 ， 且机 动加速 度 均值 为零 的假设 一
踪滤 波器 Ｓ Ｆ ， Ｔ ［ Ｈ 滤 波 器 和 交 互 多 模 型 算 法
摘
要
基于分类模 型的 目标跟踪算法采用分类模型实现对多 目标 的跟 踪。在传统算法 中 目标跟踪 的对象是每个传
常用视觉算法
常用视觉算法
1. 图像处理算法
图像处理算法是通过对图像进行数字化处理来提取信息、改变颜色、去噪等操作的算法。
常见的图像处理算法包括灰度化、二值化、边缘检测、图像增强等。
2. 特征提取算法
特征提取算法是从图像中提取出有意义的特征信息的算法。
常见的特征提取算法包括SIFT算法、SURF算法、HOG算法等。
3. 目标检测算法
目标检测算法是从图像中检测出指定目标的算法。
常见的目标检测算法包括Haar特征分类器、HoG+SVM算法、YOLO算法等。
4. 目标跟踪算法
目标跟踪算法是在视频中跟踪目标运动状态的算法。
常见的目标跟踪算法包括卡尔曼滤波算法、粒子滤波算法、背景减除算法等。
5. 三维重建算法
三维重建算法是从多幅图像中恢复出三维模型的算法。
常见的三维重建算法包括立体匹配算法、多视角几何算法、结构光算法等。
6. 图像分割算法
图像分割算法是将一幅图像分成若干个区域的算法。
常见的图像分割算法包括基于阈值的分割算法、基于边缘的分割算法、基于区域的分割算法等。
7. 图像识别算法
图像识别算法是通过对图像进行特征提取和分类来识别出图像中的目标。
常见的图像识别算法包括卷积神经网络(CNN)算法、支持向量机(SVM)算法、决策树算法等。
8. 深度学习算法
深度学习算法是一种基于神经网络的机器学习算法。
常见的深度学习算法包括卷积神经网络(CNN)算法、循环神经网络(RNN)算法、生成对抗网络(GAN)算法、Transformer算法等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
主要基于两种思路：a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标；b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。
一．运动目标检测对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。
运动检测即为从序列图像中将变化区域从背景图像中提取出来。
运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测〔一〕静态背景1.背景差2.帧差3.GMM4.光流背景减算法可以对背景的光照变化、噪声干扰以及周期性运动等进行建模，在各种不同情况下它都可以准确地检测出运动目标。
因此对于固定摄像头的情形，目前大多数的跟踪算法中都采用背景减算法来进行目标检测。
背景减算法的局限性在于它需要一个静态的固定摄像头。
〔二〕运动场通常情况下，摄像机的运动形式可以分为两种：a)摄像机的支架固定，但摄像机可以偏转、俯仰以及缩放; b)将摄像机装在某个移动的载体上。
由于以上两种情况下的背景及前景图像都在做全局运动，要准确检测运动目标的首要任务是进行图像的全局运动估计与补偿。
考虑到图像帧上各点的全局运动矢量虽不尽相同(摄像机做平移运动除外)，但它们均是在同一摄像机模型下的运动，因而应遵循相同的运动模型，可以用同一模型参数来表示。
全局运动的估计问题就被归结为全局运动模型参数的估计问题，通常使用块匹配法或光流估计法来进行运动参数的估计。
块匹配基于块的运动估算和补偿可算是最通用的算法。
可以将图像分割成不同的图像块，假定同一图像小块上的运动矢量是相同的，通过像素域搜索得到最正确的运动矢量估算。
块匹配法主要有如下三个关键技术：a)匹配法则，如最大相关、最小误差等b)搜索方法，如三步搜索法、交叉搜索法等。
c) 块大小确实定，如分级、自适应等。
光流法光流估计的方法都是基于以下假设：图像灰度分布的变化完全是目标或者场景的运动引起的，也就是说，目标与场景的灰度不随时间变化。
这使得光流方法抗噪声能力较差，其应用范围一般局限于目标与场景的灰度保持不变这个假设条件下。
另外，大多数的光流计算方法相当复杂，如果没有特别的硬件装置，其处理速度相当慢，达不到实时处理的要求。
二．目标跟踪运动目标的跟踪，即通过目标的有效表达，在图像序列中寻找与目标模板最相似候选目标区位置的过程。
简单说，就是在序列图像中为目标定位。
运动目标的有效表达除了对运动目标建模外，目标跟踪中常用到的目标特性表达主要包括视觉特征(图像边缘、轮廓、形状、纹理、区域)、统计特征(直方图、各种矩特征)、变换系数特征(傅里叶描绘子、自回归模型)、代数特征(图像矩阵的奇异值分解)等。
除了使用单一特征外，也可通过融合多个特征来提高跟踪的可靠性.相似性度量算法对运动目标进行特性提取之后，需要采用一定的相似性度量算法与帧图像进行匹配，从而实现目标跟踪。
图像处理与分析理论中，常见的相似性度量方法有欧氏距离、街区距离、棋盘距离、加权距离、巴特查理亚系数、Hausdorff距离等，其中应用最多和最简单的是欧氏距离。
搜索算法目标跟踪过程中，直接对场景中的所有内容进行匹配计算，寻找最正确匹配位置，需要处理大量的冗余信息，这样运算量比较大，而且没有必要。
采用一定的搜索算法对未来时刻目标的位置状态进行估计假设，缩小目标搜索范围便具有了非常重要的意义。
其中一类比较常用的方法是预测运动体下一帧可能出现的位置，在其相关区域内寻找最优点。
常见的预测算法有Kalman滤波、扩展的Kalman滤涉及粒子滤波方法等。
Kalman滤波器是一个对动态系统的状态序列进行线性最小方差估计的算法。
它通过状态方程和观测方程来描述一个动态系统，基于系统以前的状态序列对下一个状态作最优估计，预测时具有无偏、稳定和最优的特点，且具有计算量小、可实时计算的特点，可以准确地预测目标的位置和速度，但其只适合于线性且呈高斯分布的系统。
相对于卡尔曼滤波算法，粒子滤波器特别适用于非线性、非高斯系统。
粒子滤波算法是一种基于蒙特卡洛和贝叶斯估计理论的最优算法，它以递归的方式对测量数据进行序贯处理，因而无须对以前的测量数据进行存储和再处理，节省了大量的存储空间。
在跟踪多形式的目标以及在非线性运动和测量模型中，粒子滤波器具有极好的鲁棒性。
另一类减小搜索范围的算法是优化搜索方向。
均值漂移算法(Meanshift算法)、连续自适应均值漂移算法(Camshift算法)和置信区域算法都是利用无参估计的方法优化目标模板和候选目标距离的迭代收敛过程，以到达缩小搜索范围的目的。
Meanshift算法是利用梯度优化方法实现快速目标定位，能够对非刚性目标实时跟踪，适合于非线性运动目标的跟踪，对目标的变形、旋转等运动有较好的适用性。
但是Meanshift算法在目标跟踪过程中没有利用目标在空间中的运动方向和运动速度信息，当周围环境存在干扰时(如光线、遮挡)，容易丧失目标。
Camshift算法是在Meanshift算法的基础上，进行了一定的扩展，结合目标色彩信息形成的一种改良的均值漂移算法。
由于目标图像的直方图记录的是颜色出现的概率，这种方法不受目标形状变化的影响，可以有效地解决目标变形和部分遮挡的问题，且运算效率较高，但该算法在开始前需要由人工指定跟踪目标。
目标跟踪分类依据运动目标的表达和相似性度量，运动目标跟踪算法可以分为四类：基于主动轮廓的跟踪、基于特征的跟踪、基于区域的跟踪和基于模型的跟踪。
跟踪算法的精度和鲁棒性很大程度上取决于对运动目标的表达和相似性度量的定义，跟踪算法的实时性取决于匹配搜索策略和滤波预测算法。
1、基于主动轮廓的跟踪Kass等人提出的主动轮廓模型，即Snake模型，是在图像域内定义的可变形曲线，通过对其能量函数的最小化，动态轮廓逐步调整自身形状与目标轮廓相一致，该可变形曲线又称为Snake曲线。
Snake技术可以处理任意形状物体的任意形变，首先将分割得到的物体边界作为跟踪的初始模板然后确定表征物体真实边界的目标函数，并通过降低目标函数值，使初始轮廓逐渐向物体的真实边界移动。
基于主动轮廓跟踪的优点是不但考虑来自图像的灰度信息，而且考虑整体轮廓的几何信息，增强了跟踪的可靠性。
由于跟踪过程实际上是解的寻优过程，带来的计算量比较大，而且由于Snake模型的盲目性，对于快速运动的物体或者形变较大的情况，跟踪效果不够理想。
2、基于特征的跟踪基于特征匹配的跟踪方法不考虑运动目标的整体特征，只通过目标图像的一些显著特征来进行跟踪。
假定运动目标可以由惟一的特征集合表达，搜索到该相应的特征集合就认为跟踪上了运动目标。
除了用单一的特征来实现跟踪外，还可以采用多个特征信息融合在一起作为跟踪特征。
基于特征的跟踪主要包括特征提取和特征匹配两个方面。
(1)特征提取特征提取是指从景物的原始图像中提取图像的描绘特征，理想的图像特征应具备的特点是：a)特征应具有直观意义，符合人们的视觉特性;b)特征应具备较好的分类能力，能够区分不同的图像内容;c)特征计算应该相对简单，以便于快速识别;d)特征应具备图像平移、旋转、尺度变化等不变性。
目标跟踪中常用的运动目标的特征主要包括颜色、纹理、边缘、块特征、光流特征、周长、面积、质心、角点等。
提取对尺度伸缩、形变和亮度变化不敏感的有效特征至今仍是图像处理研究领域中一个比较活跃的方面。
(2)特征匹配特征提取的目的是进行帧间目标特征的匹配，并以最优匹配来跟踪目标。
常见的基于特征匹配的跟踪算法有基于二值化目标图像匹配的跟踪、基于边缘特征匹配或角点特征匹配的跟踪、基于目标灰度特征匹配的跟踪、基于目标颜色特征匹配的跟踪等。
基于特征的跟踪算法的优点在于对运动目标的尺度、形变和亮度等变化不敏感，即使目标的某一部分被遮挡，只要还有一部分特征可以被看到，就可以完成跟踪任务；另外，这种方法与Kalman滤波器联合使用，也具有很好的跟踪效果。
但是其对于图像模糊、噪声等比较敏感，图像特征的提取效果也依赖于各种提取算子及其参数的设置，此外，连续帧间的特征对应关系也较难确定，尤其是当每一帧图像的特征数目不一致、存在漏检、特征增加或减少等情况。
3、基于区域的跟踪基于区域的跟踪算法基本思想是：a)得到包含目标的模板，该模板可通过图像分割获得或预先人为确定，模板通常为略大于目标的矩形，也可为不规则形状;b)在序列图像中，运用相关算法跟踪目标。
这种算法的优点在于当目标未被遮挡时，跟踪精度非常高、跟踪非常稳定。
但其缺点首先是费时，当搜索区域较大时情况尤其严重;其次，算法要求目标变形不大，且不能有太大遮挡，否则相关精度下降会造成目标的丧失。
近年来，对基于区域的跟踪方法关注较多的是如何处理模板变化时的情况，这种变化是由运动目标姿态变化引起的，如果能正确预测目标的姿态变化，则可实现稳定跟踪。
4、基于模型的跟踪基于模型的跟踪是通过一定的先验知识对所跟踪目标建立模型，然后通过匹配跟踪目标进行模型的实时更新。
对于刚体目标来说，其运动状态变换主要是平移、旋转等，可以利用该方法实现目标跟踪。
但是实际应用中跟踪的不仅仅是刚体，还有一大部分是非刚体，目标确切的几何模型不容易得到。
这种方法不易受观测视角的影响，具有较强的鲁棒性，模型匹配跟踪精度高，适合于机动目标的各种运动变化，抗干扰能力强，但由于计算分析复杂、运算速度慢，模型的更新较为复杂，实时性较差。
准确建立运动模型是模型匹配能否成功的关键1.区域与区域匹配这种算法的优点在于当目标未被遮挡时，跟踪精度非常高，跟踪非常稳定。
但其缺点首先是费时，当搜索区域较大时情况尤其严重；其次，算法要求目标变形不大，且不能有太大遮挡，否则相关精度下降会造成目标的丧失。
2.特征点〔关键点〕跟踪KLT：Shi和Tomasi 在1994年提出的KLT 跟踪算法是一种被广泛应用的基于特征点跟踪算法。
由于特征点分布在整个目标上，因此即使有一部分被遮挡，仍然可以跟踪到另外一部分特征点，这也是基于特征点跟踪算法的优点。
基于特征点的跟踪算法中，比较困难的问题是当目标发生旋转或者被遮挡时，如何准确地完成特征点的提取、保存、删除等工作3.基于主动轮廓的跟踪算法主动轮廓模型也称为Snake 模型，这种方法能较精确地跟踪上目标的轮廓。
Snake 模型非常适合可变形目标的跟踪，如对运动细胞的跟踪。
这种模型与卡尔曼滤波相结合能够更好地进行跟踪。
Snake模型比较适合单目标的跟踪，对于多目标跟踪更多地是采用基于水平集(Level Set)方法的主动轮廓模型4.光流Lucas-Kanade稀疏光流calcOpticalFlowPyrLK〔利用金字塔〕Horn-Schunck稠密光流calcOpticalFlowHS稠密光流需要很大的计算量，OpenCV中对此方法做了简化，即对前后连续帧的一个像素的邻域进行匹配，这种方法叫块匹配。