单目标跟踪是许多关键领域应用的重要任务，尽管它仍被认为是最具挑战性的视觉任务之一。本文针对单目标跟踪的应用，提出了一种基于新技术和趋势的方法分类，并对广泛使用的跟踪基准中方法的性能进行了比较分析，同时分析了这些方法的优缺点，并提出了非传统技术在单目标跟踪中的指导，最后提出了未来研究的潜在方向。

May, 2024

在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

Dec, 2023

本文探索一种实用的多目标跟踪方法，强调高效地为实时应用程序分配对象。在追踪组件中，使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合，同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器，跟踪精度可以提高高达 18.9％。此外，由于跟踪方法的简单性，该跟踪器的更新速率为 260 Hz，比其他最先进的跟踪器快 20 倍以上。

Feb, 2016

本文对深度学习手段在视觉目标跟踪中的应用作了全面综述，包括常用的数据集、评估指标以及当前领先的跟踪器，并对它们进行了量化和定性分析，旨在为实践者在选择方案时提供指导和对未来方向进行探讨。

Dec, 2019

本文提出了一种新的跟踪方法 Tracktor，该方法利用对象检测器的边界框回归来预测下一帧中对象的位置，同时扩展直接重识别和摄像机动作补偿，从而实现了超越现有任何跟踪方法的跟踪性能。

Mar, 2019

本文提出了一种在输入密集深度图像的情况下基于模型的 3D 跟踪方法，通过结合新的鲁棒性方法和近似算法，能够有效地解决深度传感器的测量噪声和计算复杂度问题，并在真实数据实验中表现出优异的性能。

Feb, 2016

本文提出了一种基于分割掩码的跟踪器，使用无分类模型的多目标跟踪方法来跟踪物体，该方法能够利用语义信息以及跟踪未知对象，并能够发现和跟踪大量其他对象，并取得了与最先进的基于检测的跟踪方法相当的性能。

Dec, 2017

该论文考虑了在图像序列中检测和跟踪对象的问题，使用对象检测算法的输出作为测量，提出了一种扩展的过滤公式，将前一帧的类别信息纳入以增强分类的鲁棒性，即使对象检测算法输出错误的预测。此外，利用对象检测算法的属性量化了每帧中界定框检测的不确定性，该完整的过滤方法在瑞典四种大型食肉动物（熊、猞猁、狼和狼）的照相机陷阱图像上进行了评估，实验结果表明类别跟踪公式可以得到更强大的分类。

Oct, 2023

本文使用基于机器学习的物体检测和跟踪算法，并利用 OpenCV 在物体周围设置兴趣范围（ROI）。同时使用跟踪算法以及两个伺服电机来保持物体在画面中居中。论文中包含了详细的过程和代码。

Jan, 2024

本研究提出了三种稀疏度相关的损失函数，通过利用滤波器响应的各向异性提高相关滤波学习的鲁棒性，从而实现了三种实时跟踪器。大量实验证明了所设计的损失函数显著提高了相关滤波的鲁棒性，并揭示了不同损失函数对跟踪性能的影响，从而为设计鲁棒的相关滤波器提供了实用参考标准。

Aug, 2016