总述
总共可以分为三种方法：基于CNN的方法（绿色分支）；基于相关滤波的方法（黄色分支）；其他的方法（图中others分支）
一、传统算法——KCF
不用深度学习，只需在第一帧图像中给出目标框的位置，只能做单目标跟踪？
难点；运行模糊；遮挡；尺度变化；
二、深度学习算法
参考：https://zhuanlan.zhihu.com/p/97449724
1 、IOU2、SORT
sort详解
代码：https://github.com/abewley/sort
卡尔曼预测是在库filerpy/kalman/kalman_filter.py中。根据前n帧的结果预测，n可以设置。
self.kf = KalmanFilter(dim_x=7, dim_z=4)SORT作为一个粗略的框架，核心就是两个算法：卡尔曼滤波和匈牙利匹配。
卡尔曼滤波分为两个过程：预测和更新。预测过程：当一个小车经过移动后，且其初始定位和移动过程都是高斯分布时，则最终估计位置分布会更分散，即更不准确；更新过程：当一个小车经过传感器观测定位，且其初始定位和观测都是高斯分布时，则观测后的位置分布会更集中，即更准确。
匈牙利算法解决的是一个分配问题。SK-learn库的linear_assignment_和scipy库的linear_sum_assignment都实现了这一算法，只需要输入cost_matrix即代价矩阵就能得到最优匹配。不过要注意的是这两个库函数虽然算法一样,但给的输出格式不同。具体算法步骤也很简单，是一个复杂度 [公式] 的算法。
3、DeepSORT
这是DeepSORT算法的流程图，和SORT基本一样，就多了级联匹配（Matching Cascade）和新轨迹的确认（confirmed）。
关键步骤：轨迹卡尔曼滤波预测→ 使用匈牙利算法将预测后的tracks和当前帧中的detecions进行匹配（ 特征匹配和IOU匹配） → 卡尔曼滤波更新
DeepSORT在IOU Match之前做了一次额外的级联匹配，利用了外观特征和马氏距离。外观特征就是通过一个Re-ID的网络提取的。
4、DCF
参考：
也是deepstream sdk中用到的一个目标跟踪算法
参考：
