目标跟踪是什么
假想自己是一个花痴，在篮球场看到有一场球赛，期间有一个小哥哥受到你的关注，然后，你的眼神紧随他的脚步转动，为的是不错过他任何美好的画面。
OK，刚才眼神配合大脑，关注篮球小哥哥的场景，类似于图像领域的目标跟踪。我们习惯在找到感兴趣对象后，持续关注它的行踪，从而做出一定判断：要不要追。
哈哈~~~
典型的目标跟踪算法：Meanshift，粒子滤波，卡尔曼滤波等，现在常用的核相关滤波的跟踪算法，如KCF跟踪等。
本文主要介绍这几种：粒子滤波，KCF滤波，卡尔曼滤波。
粒子滤波
粒子滤波是一种基于粒子分布统计的方法。
- 首先对跟踪对象建立模型，
- 并定义相似度匹配函数。
在跟踪目标的过程中，它会按照一定的空间分布撒例子。常规可知，目标下一帧位置在当前帧检测到位置附近可能性更大，因此在当前位置附近撒更多粒子，以求真实位置被撒例子的概率更大；而在远离区域撒较少例子。这个可以用高斯模型或者其他完成。
播撒完粒子后，计算每个被撒点区域的图像特征和跟踪对象的模型相似度。
- 在目标附近区域，相似度比较高；
- 而远离目标位置，相似度就会比较低。
然后，对所有被撒点位置求取权值重心，以相似度为权重，该重心即为目标下一帧最可能出现的区域。
KCF滤波
这是一种判别式滤波器，中文名为基于核相关的概率滤波。首先，初始位置的目标训练出一个特征模型，可以采用HOG特征或者其他。
常识可知，
- 目标在前后帧特征相似度会比较高；
- 目标下一帧出现的位置会在前帧检测位置附近。
基于这个常识，KCF在跟踪过程中一直在更新模型，并且每次在扩大当前区域几倍后搜索，然后将相应最强的位置作为目标新的位置。
基本原理是这样，很多更新后的算法，主要在做运算提速的事，毕竟，跟踪对实时性要求性很高。
卡尔曼滤波
卡尔曼滤波不提取目标的特征模型，而仅仅把运动特征作为跟踪模型。根据瞬时速度、位置，预测下一帧最可能出现的位置。我们知道，任何曲线运动在被瞬时放大后，都可以看作是线性运动。
因此，直接将瞬时速度作为位移变量，预测下一帧最可能出现的位置。
由于卡尔曼滤波没有添加目标特征，所以一般被称为辅助跟踪。
在目标快速运动的场景，直接调用KCF会比较费时间，因为要扩大搜索区域；如果把卡尔曼滤波添加进去，先根据运动规律预测下一帧目标最可能位置，然后再其预测位置附近搜索特征最佳匹配位置。
图是一个卡尔曼滤波的流程，来源网络。
大概只了解这么点，后续学习不断更新。