目标跟踪的定义是：在第一帧中给定待跟踪目标的情况下，对目标进行特征提取，对感兴趣区域进行分析；然后在后续图像中找到相似的特征和感兴趣区域，并对目标在下一帧中的位置进行预测。
作为计算机视觉领域的一个热点研究方向，目标跟踪一直都是一项具有挑战性的工作。目标跟踪技术在导弹制导、智能监控系统、视频检索、无人驾驶、人机交互和工业机器人等领域具有重要的作用。从上世纪50年代目标跟踪的起源到现今，尽管已有大量的研究成果，但是在复杂条件下实现实时准确的跟踪依旧难以实现。面临的主要挑战主要有：
1)形态变化：运动目标发生姿态变化时，会导致它的特征以及外观模型发生改变，容易导致跟踪失败。
2)尺度变化：当目标尺度缩小时，会将很多背景信息包含在内，导致目标模型的更新错误；当目标尺度增大时，由于跟踪范围不能将目标完全包括在内，跟踪框内目标信息不全，也会导致目标模型的更新错误。
3)遮挡与消失：当这种情况发生时，容易将遮挡物以及背景信息包含在跟踪框内，会导致后续图片中的跟踪目标漂移到遮挡物上面。若目标被完全遮挡时，由于找不到目标的对应模型，会导致跟踪失败。
4)图像模糊：光照强度变化，目标快速运动，低分辨率等情况会导致图像模糊，尤其是在运动目标与背景相似的情况下更为明显。
……
目标跟踪应用效果图
因此，为了提高目标跟踪的速度和准确性，近年来针对各类问题涌现了大量的目标跟踪算法。为了让后续研究人员清楚地了解现有目标跟踪算法的种类、特点以及发展历程，本文清楚地梳理现存的算法，对典型的目标跟踪算法进行分析总结。首先，介绍了研究的意义以及目标跟踪的定义。并对早期的生成式目标跟踪算法：卡尔曼滤波、光流法和核方法的原理及其改进方向进行简要分析。随后，对现阶段主流的相关滤波和深度学习目标跟踪算法进行了详细的讨论。并对其工作原理、适用范围、优缺点以及改进方向进行分析。最后，在OTB-2013实验平台上对所提及的目标跟踪算法精度和速度进行对比分析。讨论了每类算法存在的问题并给出未来的研究趋势。并得出了以下结论：
1)使用具有鲁棒性的特征，增加算法的精确度。
2)选择强大的分类器，提高算法的性能。
3)进行必要的模型更新，适应环境的变化。
现阶段经典的目标跟踪算法效果图如下。
目标跟踪实际效果图
文章信息：孟琭, 杨旭. 目标跟踪算法综述. 自动化学报, 2019, 45(7): 1244-1260.
