目标跟踪是计算机视觉中热门的研究主题，它面临诸多因素的挑战，在创建跟踪系统时应该考虑的几个问题，如视觉外观、遮挡、摄像机运动等。在多种跟踪算法中，卷积神经网络(CNN)利用其强大的特征提取能力，卷积层可以从不同的角度表征目标，并从误分类的角度处理跟踪过程。
Channel and Spatial Relatibility Tracking CSRT
CSRT跟踪器是OpenCV库中CSR-DCF (Channel and Spatial Reliability of Discriminative Correlation Filter)跟踪算法的c++实现。实验结果表明，融合目标检测模型的CSRT跟踪器具有更好的跟踪效果。基于OpenCV的CSRT(通道和空间可靠性跟踪)跟踪器集成了基于区域的CNN (Faster RCNN)预训练的目标检测模型，从而有很高的机会识别目标的特征、类别和位置。
Multiple Instance Learning MIL
它解决了学习自适应外观模型进行目标跟踪的问题。特别是一类被称为“检测跟踪”的跟踪技术，在实时速度下给出了很好的结果。这些方法在线训练一个鉴别分类器，将目标从背景中分离出来。这个分类器通过使用当前跟踪器状态来从当前帧中提取正的和负的例子来引导自己。因此，跟踪器中的轻微错误可能导致标记错误的训练示例，这将降低分类器的性能，并可能导致进一步的错误。
Kernalized Correlation Filter KCF
提出的基于深度特征的跟踪器由于处理速度极慢，不适合实时跟踪。在实时流条件下，由于处理延迟迫使跳过帧，速度慢是降低跟踪精度的主要因素。为了在保持处理速度的同时提高跟踪精度，提出了一种改进的基于核相关滤波(KCF)的跟踪方法，该方法集成了三个功能模块:
- 跟踪故障检测
- 使用多个搜索窗口重新跟踪
- 运动矢量分析决定首选搜索窗口
Tracker Learning Detection TLD
在这种情况下，对象的位置在第一帧确定，然后在后续的帧中，如果它在下一帧中存在，则跟踪它。TLD将长期跟踪任务明确分解为跟踪、学习和检测。跟踪器逐帧跟踪目标。检测器定位到目前为止所观察到的所有现象，并在必要时纠正跟踪器。学习估计检测器的错误并对其进行更新，以避免将来出现这些错误。
Generic Object Tracking Using Regression Networks GOTURN
在GOTURN中，用于跟踪的神经网络以完全离线的方式完成任务。 在测试时，跟踪新目标时，网络权值被冻结，不需要在线微调。通过离线训练过程，跟踪器学习以快速、鲁棒、准确的方式跟踪新目标 。
Minimum Output Sum of Squared Error MOSSE
MOSSE跟踪器计算输出误差平方和的最小值，以找出跟踪目标的最可能位置。 与传统方法相比，使用相关滤波器的好处是使MOSSE跟踪器对缩放、旋转、变形和遮挡问题更加鲁棒。 此外，MOSSE比其他基于相关滤波的跟踪器更灵活，因为在跟踪开始时，目标不需要位于图像的中心。
