1. 基於機器學習的目標跟蹤演算法和傳統的目標跟蹤演算法相比，有什麼優點
benchmark 2015版：Visual Tracker Benchmark 不過這些演算法都比較新 要看老的話主要是06年這篇paper 和09年有一篇暫時忘記paper名字了
古老的方法比如optical flow，kalman filter(後面的particle filter)……了解不多不瞎扯了
目前tracking主要是兩種，discriminative 和 generative，當然也有combine兩個的比如SCM。你提到的都是前者，就是演算法裡面基本有一個classifier可以分辨要追蹤的物體。這類除了你說的最近比較火的還有速度極占優勢的CSK（後來進化成KCF/DCF了）
另一種generative的方法，大致就是用模版（或者sparse code）抽一堆feature，按距離函數來匹配。L1，ASLA，LOT，MTT都是。
最近才開始了解tracking，所以說得可能並不是很對，僅供參考
2. error C2871: 「FFTTools」: 具有該名稱的命名空間不存在
在using namespace std;之前加#include<iostream>
3. 多目標跟蹤 kcf怎麼設計程序
之前寫過一些tracking的東西，把最近看的比較流量的演算法寫一下：個人覺得值得仔細研究的tracking演算法包括： Mean-shift, Particle Filter, Ensemble Tracking TLD, 壓縮感知跟蹤，KCF Tracker及其改進 速度慢於50fps的跟蹤演算法就沒有必要搞了，...
4. 計算機視覺中，目前有哪些經典的目標跟蹤演算法
古老的方法比如optical flow，kalman filter(後面的particle filter)……了解不多不瞎扯了
目前tracking主要是兩種，discriminative 和 generative，當然也有combine兩個的比如SCM。你提到的都是前者，就是演算法裡面基本有一個classifier可以分辨要追蹤的物體。這類除了你說的最近比較火的還有速度極占優勢的CSK（後來進化成KCF/DCF了）
另一種generative的方法，大致就是用模版（或者sparse code）抽一堆feature，按距離函數來匹配。L1，ASLA，LOT，MTT都是。
最近才開始了解tracking，所以說得可能並不是很對，僅供參考
5. 比較耗時的跟蹤演算法有哪些
之前寫過一些tracking的東西，把最近看的比較流量的演算法寫一下：個人覺得值得仔細研究的tracking演算法包括：
Mean-shift, Particle Filter, Ensemble Tracking
TLD, 壓縮感知跟蹤，KCF Tracker及其改進
速度慢於50fps的跟蹤演算法就沒有必要搞了，基本上沒有可能做到實時的。
6. 計算機視覺中，目前有哪些經典的目標跟蹤演算法
目前tracking主要是兩種，discriminative和generative，當然也有combine兩個的比如SCM。你提到的都是前者，就是演算法裡面基本有一個classifier可以分辨要追蹤的物體。這類除了你說的最近比較火的還有速度極占優勢的CSK（後來進化成KCF/DCF了）
7. 計算機視覺中，目前有哪些經典的目標跟蹤演算法
tld， 這個比較好用，但是性能不高， 如果不考慮純軟體實現可以用用
8. opencv里kcf怎麼判斷跟丟
KCF跟蹤出來之後會有一個最大響應值，那麼可以給這個響應值設一個閾值，大於則個閾值的則視為跟蹤成功，否則為失敗。
9. 目標跟蹤kcf中所求的權重系數w作用是什麼
權重：是一個相對的概念，是針對某一指標而言。某一指標的權重是指該指標在整體評價中的相對重要程度。權重是要從若干評價指標中分出輕重來，一組評價指標體系相對應的權重組成了權重體系。 權重系數：是表示某一指標項在指標項系統中的重要程度