Opencv Object Tracking【使用OpenCV目标跟踪模块】

实时目标检测如RCNN，yolo,ssd等都是可行的解决方案，但对于工业目标检测方案落地，一些嵌入式系统架构的硬件性能不能达到这样的高性能计算要求，或者当需要对特定目标进行检测识别时，这时可以采取的方案是检测+跟踪。

不要惊奇我们常用的OpenCV中包含着8种独立的目标检测方法，可以在计算机视觉中进行应用。

OpenCV中的8种目标检测方法

1.BOOSTING Tracker

 该算法是基于机器学习汇总我的Haar级联(Adaboost)算法，是一种较为落后的一种方法，比较的慢，性能也不是很好，主要用来做算法的比较和基准。(>opencv3.0.0)

2.MIL Tracker

比boosting具有更好的准确率，但是存在报错的几率。(>opencv3.0.0)

3.KCF Tracker

核相关滤波算法，比上述两种都要快，但是偶然因素下存在失效。(>opencv3.1.0)

4.CSRT Tracker

判别相关滤波算法，具有通道和空间可靠性，比KCF准确率更高，但是相对慢。(>opencv3.4.2)

5.MedianFlow Tracker

失效性能良好，然后如果目标变动过大，如移动过快，容易丢失目标。(>opencv3.0.0)

6.TLD Tracker

有一定的假正率，不推荐使用该种OpenCV目标跟踪方法。

7.MOSSE Tracker

非常非常快，但是准确率没有CSRT和KCF高，如果对帧率要求很高，这是可行的方法。

8.GOT