現在我們有一個視訊流，可以拆解出 N 個幀出來，這時候初始幀/某一幀中出現了一個我們感興趣目標，我們希望在後續幀中對這個目標進行追蹤，這時候就需要 CV 中的目標追蹤；
目標追蹤的效果如下：
雖然效果看起來和實時人臉檢測效果一樣，但是隻對初始幀進行了人臉檢測/識別，後續幀不需要再進行檢測/識別，這也是目標跟蹤可以提高程式效能的優勢所在；
因為做目標追蹤所需要的計算時間成本，要低於進行檢測/識別的；
為了實現目標追蹤，我們按照以下步驟進行：
- 對於初始幀（視訊流中的第一幀），輸入/通過檢測演算法，得到一系列目標的位置座標；
- 為這些 ROI 建立 ID；
- 在視訊流中的後續幀，尋找幀之間目標物件的關係，將幀之間的目標關聯起來；
目標跟蹤可以讓我們對於每一個追蹤的目標指定一個唯一的 ID，所以讓我們可以對視訊中的跟蹤物體進行計數，應用於計算人數的場景；
一個理想化的目標追蹤演算法能夠實現：
- 只需要初始化的時候進行目標檢測；
- 處理速度能夠很快；
- 可以處理被跟蹤目標，消失或者超過邊界的情況；
- 可以處理幀之間目標消失，然後再出現的特殊情況；
上圖 gif 中只有一個目標，所以其實後續幀中的檢測出來的目標，如果還是一個，肯定就是我們第一幀中識別出來的 person_X；
但是往往是一幀中出現多目標，我們就需要對於前後幀中的多目標進行比對匹配；
以下圖為例，比如左邊是第 N 幀 ，有兩個目標，我們檢測識別出來是 ID#1 和 ID#2，在 N+1 幀中，也檢查出來兩個目標，我們知道這兩個目標就是 ID#1 和 ID#2，但是不知道到底哪個是 ID#1 哪個是 ID#2；
所以就需要 質心追蹤演算法（Centroid Tracking）來進行判定後續幀中的 ID：
質心追蹤演算法（Centroid Tracking），依賴於在視訊流的連續幀中，比較已知目標和新出現目標之間質心的歐氏距離；
步驟一：取特徵框並計算質心
對於視訊流，通過檢測演算法對於每幀影像進行檢測；
比如上圖中有兩個特徵框 / 或者我們假定兩個特徵框給它，分別為 ID #1 和 ID #2，可以計算出兩個特徵框的質心，分別得到位置座標 （x,y）；
以實際視訊流為例：
步驟二：計算新舊目標特徵框質心的歐氏距離
對於視訊流中的後續幀，我們利用檢測演算法來計算特徵框，但是我們不會再去給對於每一個檢測到的物體，新增新的 ID 或者標記什麼的，而是希望將新的目標能夠和舊目標聯絡起來；
我們通過計算每對新舊目標的歐式距離來得到這些目標之間的關係；
如下圖所示，比如幀 N 時候有兩個目標（綠色），幀 N+1 時候有三個目標（紅色），所以對於我們希望知道，這兩個舊目標（綠色），在後續幀中變成了哪一個新目標（紅色）；
所以我們想知道如下質心之間的關係：
- 綠1->紅1，綠1->紅2，綠1->紅3；
- 綠2->紅1，綠2->紅2，綠2->紅3；
步驟三：更新已知目標的質心座標
質心追蹤演算法的前提是：對於一個給定目標，將會在後續幀中都出現，而且在第 N 幀和 N+1 幀中的質心歐氏距離，要小於不同目標之間的歐式距離；
因此我們在視訊流的連續幀之間，根據歐氏距離最小原則，將這些幀中特徵框的質心聯絡起來，可以得到一個目標 X 在這些連續幀中的變化聯絡，就達到了我們目標追蹤的目的；
步驟四：註冊新目標
有時候會有新目標的加入，比如幀 N 的時候有 x 個目標，而幀 N+1 的時候有 x+1 個目標，增加了一個目標；
所以對於這個新增的目標，我們按照以下順序進行註冊：
- 給這個新目標一個目標 ID；
- 儲存這個目標特徵框的質心位置；
然後從步驟二開始，對於視訊流中的每一幀進行計算歐氏距離，更新座標等步驟；
步驟五：登出舊目標
一個目標在後續幀中可能會消失，我們的目標追蹤演算法也要能夠處理這種情況；
但是對於消失目標的處理方法，要根據於你實際部署應用的場景；
- 第 N 幀丟失目標，登出舊目標
- 第 N 幀丟失目標，而且第 N 幀中的後續 n 幀中都沒有找回來，那就登出舊目標
因為每次重新註冊的成本（進行檢測/識別）的成本要大於歐氏距離比對進行目標追蹤的成本；
這篇介紹 OT 的理論部分，接下來會介紹如何用 Python + OpenCV 去實現 OT；
# 請尊重他人勞動成果，轉載或者使用原始碼請註明出處：http://www.cnblogs.com/AdaminXie
# 歡迎關注我的 Github：https://github.com/coneypo/
# 如有問題請留言或者聯絡郵箱: coneypo@foxmail.com