人脸检测与追踪 使用CamShift，卡尔曼滤波器，光流的人脸检测和跟踪 客观的 ： 在电影的第一帧中检测面部 使用预训练的Viola-Jones检测器 使用以下方法跟踪电影中的脸部： CAMShift 粒子过滤器 人脸检测器+卡尔曼滤波器（总是运行kf.predict（），并在获得新的人脸检测时运行kf.correct（）） 人脸检测器+光流跟踪器（人脸检测器发生故障时，请使用OF跟踪器）。

目标检测与跟踪 目标检测和跟踪算法

检测运动物体需要无运动物体的背景图像，所以，首先应用多帧像素平均值法提取了运动视频序列的背景图，从背景图像中分离目标像素，获取目标的质心坐标，并应用质心跟踪法以灰色图像序列为基础，对运动的目标进行实时检测和跟踪。质心跟踪法的目标位置通过质点的中心来确定，该算法计算简单，计算量小，其稳定性与精度主要取决于序列图像的分割及其阀值的确定情况。文中给出了用Opencv实现算法的具体过程和关键代码，并且设计了跟踪运动车辆的控制界面，方便了实时监控。实验结果表明，该方法可以实现视频序列中运动目标的识别，具有实时性、并能给出较好的识别效果。

YOLOv5-deepsort 无人机多个目标跟踪，代码以配置好，下载后配置环境就可以使用，包括有训练好的YOLOv5s-drone.pt和YOLOv5m6-drone.pt两个模型，并附上了测试视屏和跟踪结果，并可提取目标运动的质心坐标以及可以绘制出目标 的运动轨迹，有使用说明可以参考，目标类别名为drone，YOLOv5的代码为版本5，用于检测和跟踪空中的无人机

drone无人机数据集，用于目标检测和跟踪，3300多张，目标包含大中小各种尺度的无人机，类别名drone，标签格式为txt,和xml两种，可直接用于YOLO目标检测和deepsort 目标跟踪等等

行人侦查跟踪 使用Mobilenet SSD进行行人检测和跟踪 行人检测 使用Caffe Mobilenet SSD进行了培训，详细信息（ ） 然后将模型转移到 （针对移动平台进行了优化的深度学习框架） 追踪 基于光流和卡尔曼滤波器的多对象跟踪器，更多详细信息： : 用法 编译ncnn 转到3rd_party / ncnn （与Raspberry Pi等ARM平台一起使用时，修改ncnn / CMakeLists.txt：添加add_definitions(-mfpu=neon) ，修改ncnn / src / CMakeLists.txt：将40to46行修改为if(TRUE) ） mkdir build cd build cmake .. make 其余全部编译在根目录中mkdir build cd build cmake .. make 跑步去建立/ ./main

3D Vision项目：足球检测和跟踪 玛丽安（Marian），杰森（Jason），米克斯（Miks）和詹尼克（Jannik） 重要连结 要设置Google足球模拟，请访问 项目管理 总的来说，对于每个任务都要做一个github问题

基于Kinect的人体检测和跟踪算法研究，介绍最基本的跟踪算法

基于地标检测和跟踪的 JavaScript/WebGL 轻量级健壮的人脸跟踪库 这个 JavaScript 库从使用 WebRTC 捕获的网络摄像头视频源实时检测和跟踪人脸。 然后可以为增强现实应用覆盖 3D 内容。 这个库是轻量级的，它不包含任何 3D 引擎或第三方库。 我们希望保持它与框架无关，因此库的输出是原始的：如果检测到人脸，检测到的人脸的位置和比例以及旋转欧拉角。 面部标志位置也在神经元网络输出中。 检测到的关键点的数量和神经元网络的准确度/权重之间仍然存在平衡：关键点越少，检测准确度越好，因为神经元网络可以更加集中。 目录 引擎盖下 兼容性 执照 参考 特征 以下是该库的主要功能： 人脸检测， 人脸追踪， 人脸旋转检测， 面部标志检测， 多人脸检测和跟踪， 在所有照明条件下都非常坚固， 具有高清视频能力的视频采集， 移动友好。 建筑学 /demos/ :

CNN-检测-跟踪 用于车辆检测和跟踪的python脚本