用 OpenCV 实现八种不同的目标跟踪算法

1、BOOSTING Tracker

和Haar cascades（AdaBoost）背后所用的机器学习算法相同，但是距其诞生已有十多年了。这一追踪器速度较慢，并且表现不好，但是作为元老还是有必要提及的。（最低支持OpenCV 3.0.0）

2、MIL Tracker

比上一个追踪器更精确，但是失败率比较高。（最低支持OpenCV 3.0.0）

3、KCF Tracker

比BOOSTING和MIL都快，但是在有遮挡的情况下表现不佳。（最低支持OpenCV 3.1.0）

4、CSRT Tracker

比KCF稍精确，但速度不如后者。（最低支持OpenCV 3.4.2）

5、MedianFlow Tracker

在报错方面表现得很好，但是对于快速跳动或快速移动的物体，模型会失效。（最低支持OpenCV 3.0.0）

6、TLD Tracker

我不确定是不是OpenCV和TLD有什么不兼容的问题，但是TLD的误报非常多，所以不推荐。（最低支持OpenCV 3.0.0）

7、MOSSE Tracker

速度真心快，但是不如CSRT和KCF的准确率那么高，如果追求速度选它准没错。（最低支持OpenCV 3.4.1）

8、GOTURN Tracker

这是OpenCV中唯一一深度学习为基础的目标检测器。它需要额外的模型才能运行，本文不详细讲解。（最低支持OpenCV 3.2.0）

我个人的建议：

如果追求高准确度，又能忍受慢一些的速度，那么就用CSRT
如果对准确度的要求不苛刻，想追求速度，那么就选KCF
纯粹想节省时间就用MOSSE

从OpenCV 3开始，目标检测器得到了快速发展，下表总结了不同版本的OpenCV中可适用的追踪器：

开始动手

想要用OpenCV进行目标追踪，首先打开一个新文件，将它命名为opencv_object_tracker.py，然后插入以下代码：

#import the necessary packages
from imutils.video import VideoStream
from imutils.video import FPS
import argparse
import imutils
import time
import cv2

然后开始分析命令行参数：

ap = argparse.ArgumentParser()
ap.add_argument("-V", "--Video",type=str,
    help="path to input video file")
ap.add_argument("-t", "--tracker",type=str,default="kcf",
    help="OpenCV object tracker type")
args = vars(ap.parse_args())

我们的命令行参数包括：

--video：到达输入视频文件的替代路线。如果该参数失效，那么脚本将会使用你的网络摄像头。
--tracker：假设默认追踪器设置的是kcf，一整列可能的追踪器代码表示下一个代码块或下方的部分。