企业官网建设流程全解析

1. 项目概述与整体思路

1.1 核心需求解析

目标跟踪是计算机视觉里一个常聊常新的话题。从最简单的帧间差分，到后来统治多年的光流法，再到深度学习时代的各种跟踪器，链路很长。但在很多实际工程里，尤其是嵌入式设备、老旧的监控系统、或者对实时性要求极高的场景，传统跟踪算法依然是不可替代的底牌。我这次想拆解的项目，标题写得很直白：基于Meanshift的目标跟踪，同时把卡尔曼滤波和CAMshift也一并讲清楚。

这个项目其实解决的是三个环环相扣的问题。首先是Meanshift本身，它解决的是“目标长什么样、下一帧往哪跑”的问题，原理简单、计算量小，但有个著名的坑——跟踪窗口大小固定，目标一旦缩放，就容易跟丢。其次是CAMshift，它把Meanshift的固定窗口改成了自适应窗口，能跟着目标大小变化，算是Meanshift在跟踪领域最成功的改进版之一。最后是卡尔曼滤波，它解决的是“目标被遮挡了、或者检测丢了怎么办”的问题，用运动模型预测目标位置，相当于给跟踪器加了个“预判”能力。

这三样东西拼在一起，就是一个非常经典的传统视觉跟踪方案：Meanshift/CAMshift负责外观匹配和定位，卡尔曼滤波负责运动预测和遮挡恢复。适合谁看？正在学OpenCV跟踪模块的学生、要做安防监控或机器人视觉的工程师、还有那些需要在低算力设备上跑跟踪任务的朋友。不夸张地说，把这套搞透，再去接触相关的主流跟踪器，很多概念都是相通的。

1.2 技术选型背后的逻辑

为什么在深度学习跟踪器满地走的今天，还要回过头啃Meanshift和CAMshift？我个人的体会是，传统算法有一个深度学习暂时比不了的优势：可解释性和可控性。Meanshift的每次迭代都有明确的数学含义，你不怕它“莫名其妙就飘了”，因为它飘的原因基本都能追查清楚——要么颜色直方图建得不对，要么搜索窗口初始位置偏了，要么目标颜色和背景太像。

另一个理由是性能。一个优化得当的Meanshift跟踪器，在普通CPU上跑1080p视频，做到实时毫无压力。CAMshift稍微重一点，但也就多了直方图反投影和窗口尺寸调整，依然远轻于任何深度学习模型。如果你手头只有树莓派或者老旧的DSP板子，这一套几乎是唯一的选择。

但这套方案也不是没有短板。它依赖颜色特征，所以“目标颜色和背景相近”时容易翻车；它对光照变化敏感，颜色直方图一旦受到光照影响产生偏移，匹配精度就会下降；另外它默认目标是刚体或者近似刚体，如果目标形变太剧烈，直方图匹配也会失灵。卡尔曼滤波在其中扮演的正是“兜底”角色——当视觉匹配失效时，用运动模型顶上去，保证跟踪不断裂。三者组合不是简单叠加，而是让各自的长处互相补充。

2. 核心技术原理拆解

2.1 Meanshift跟踪的核心机制

Meanshift本身是一个通用的无参密度估计优化方法，在图像跟踪里使用时，我们把目标区域的颜色直方图当作目标的“特征签名”。每一帧里，算法在当前帧的搜索窗口内计算颜色直方图的反投影图，反投影图里每个像素的值表示“这个像素的颜色有多大可能属于目标”。然后Meanshift做的事情，就是在这个反投影图上找密度最大的区域——迭代地把搜索窗口的中心移动到窗口内像素的“质心”位置，直到移动距离小于一个阈值。

可以这样理解：你手里有一堆沙子（反投影图里的高亮像素），你要找这堆沙子最密的地方，但你不知道它在哪。于是你先随便画个圈，算出圈里沙子的重心，然后把圈挪到重心上；再算一次重心，再挪……几次之后，圈就停在了沙堆最密的位置。每一帧都做这个操作，目标就被跟住了。

Meanshift跟踪的数学表达也不复杂。假设搜索窗口内有n个像素点 (x_i, y_i)，窗口中心为 (x_c, y_c)，那么新的中心就是：

[ x_c' = \frac{\sum_i w_i x_i}{\sum_i w_i}, \quad y_c' = \frac{\sum_i w_i y_i}{\sum_i w_i} ]

其中w_i就是反投影图在该像素位置的权重。迭代条件一般是中心位移小于1个像素，或者达到最大迭代次数（通常10到20次就够）。这里有个初学者容易忽略的点：直方图要归一化，不然不同大小的搜索窗口之间没法比较；另外迭代的初始位置很关键，上一帧的目标中心作为当前帧的初始中心是标准做法。

2.2 CAMshift对窗口尺寸的改进

CAMshift（Continuously Adaptive MeanShift）在Meanshift基础上做了一个很聪明的改动：每次Meanshift收敛之后，它不急着把窗口尺寸固定，而是根据收敛窗口内的二阶矩来重新计算窗口的宽和高。这个操作让窗口能跟随目标的大小变化而伸缩，解决了Meanshift最头疼的“窗口大小固定导致目标缩放时跟丢”的问题。

具体实现上，CAMshift在Meanshift收敛后，计算窗口内像素的质心 (x_c, y_c) 和二阶矩：

[ M_{20} = \sum_i x_i^2 w_i, \quad M_{02} = \sum_i y_i^2 w_i, \quad M_{11} = \sum_i x_i y_i w_i ]

然后根据这些矩的值算出目标的方向角度和尺寸：

[ \theta = \frac{1}{2} \arctan\left(\frac{2M_{11}}{M_{20} - M_{02}}\right) ]

[ w = \sqrt{\frac{(M_{20} + M_{02}) + \sqrt{(M_{20} - M_{02})^2 + 4M_{11}^2}}{2}} ]

[ h = \sqrt{\frac{(M_{20} + M_{02}) - \sqrt{(M_{20} - M_{02})^2 + 4M_{11}^2}}{2}} ]

这里我推荐看看OpenCV里CAMshift的实现源码，它对矩的计算做了一些平滑和大小下限限制，防止窗口缩成一个点或者突然膨胀。

但CAMshift并不是万能的。它跟踪的是颜色概率分布的主轴方向，如果目标是旋转对称的（比如一个人正面走向摄像机，衣服颜色上下左右都对称），那角度算出来就没有意义；如果目标颜色分布比较复杂，二阶矩可能被内部结构干扰，窗口尺寸会抖得厉害。实际工程中我通常会对窗口宽高做一阶低通滤波，让尺寸变化更平滑。

2.3 卡尔曼滤波在跟踪中的角色

卡尔曼滤波解决的是“状态最优估计”问题。在目标跟踪场景，我们把目标的状态定义为一个向量，最简单的形式是 [x, y, vx, vy]，即位置和速度。卡尔曼滤波做的事情，通俗讲就是“预测+修正”两步走：

预测阶段，用上一帧的最优状态和运动模型，推算当前帧目标应该在哪。修正阶段，用当前帧的观测值（比如Meanshift找到的目标位置）对预测值进行修正，得到这一帧的最优估计。

卡尔曼滤波的五个核心公式这里值得快速过一遍。设状态向量为X，状态转移矩阵为F，观测矩阵为H，过程噪声协方差为Q，观测噪声协方差为R，协方差矩阵为P，卡尔曼增益为K：

预测：

[ X_{pred} = F X_{prev} ]

[ P_{pred} = F P_{prev} F^T + Q ]

修正：

[ K = P_{pred} H^T (H P_{pred} H^T + R)^{-1} ]

[ X_{est} = X_{pred} + K (Z - H X_{pred}) ]

[ P_{est} = (I - K H) P_{pred} ]

其中Z是观测值。在目标跟踪场景里，F通常被建模为匀速运动模型：

X = [x, y, vx, vy]^T F = [[1, 0, dt, 0], [0, 1, 0, dt], [0, 0, 1, 0], [0, 0, 0, 1]]

dt是两帧之间的时间间隔，一般取1/帧率。H则把状态映射到观测空间，我们观测到的只有位置，所以：

H = [[1, 0, 0, 0], [0, 1, 0, 0]]

卡尔曼增益K的大小，决定了我们更相信“预测值”还是“观测值”。如果观测噪声R小，K就大，滤波器更倾向于相信观测；如果过程噪声Q小，K就小，滤波器更倾向于维持预测。调Q和R本质上就是在权衡“传感器可信度”和“运动模型可信度”，这部分我会在实操章节给出具体的调参建议。

2.4 三者如何协作

在项目中，三者协作的流程是这样的：第一帧人工框选目标，计算目标的颜色直方图作为模板。之后每一帧，先用卡尔曼滤波预测目标位置，以预测位置为中心，初始化Meanshift的搜索窗口；然后用CAMshift做直方图反投影和均值漂移迭代，得到视觉观测位置；最后把观测值喂给卡尔曼滤波，更新目标位置的最终估计。

为什么不让Meanshift的结果直接作为输出？我在实测中发现，Meanshift的结果会有抖动，尤其目标被部分遮挡或者背景有相似颜色干扰时。卡尔曼滤波在这里相当于一个低通滤波器，让轨迹更平滑。更重要的是，当目标完全被遮挡几帧时，Meanshift会跟丢（收敛到背景上），但卡尔曼滤波还能继续用运动模型预测位置，等到目标重新出现时，再用预测位置作为搜索窗口的初始位置，就能快速找回目标。

这个协作架构用一句话总结就是：外观匹配负责“看得准”，运动预测负责“丢不了”。

3. 代码实现与实操细节

3.1 项目环境准备

我用的开发环境是Python 3.8 + OpenCV 4.5，操作系统是Windows 10，但代码是跨平台的，Linux和macOS都能直接跑。前提是装好OpenCV-python和numpy：

pip install opencv-python numpy

需要注意的是，OpenCV有两个包：opencv-python和opencv-contrib-python。本章节用到的Meanshift和CAMshift都在主模块里，不需要contrib扩展，装基础版就够。但如果你的需求里还有SIFT、KAZE等特征点算法，那得装contrib版本。建议直接装contrib版，省得后续踩坑。

我建议把代码拆分成三个模块来写：一个负责视频读取和目标框选，一个负责跟踪算法的核心逻辑，一个负责可视化展示。这样便于调试和扩展，如果后面想把这个跟踪器封装成类，也更容易。

3.2 目标初始化和颜色直方图构建

第一帧的目标框选，我直接用OpenCV的selectROI函数，它能弹出一个窗口让你用鼠标框选目标，返回框选的矩形坐标。实践中最稳的画框方式是：框住目标的中间主体部分，不要把背景框进来。如果框选了太多背景像素，直方图里就会混入干扰颜色，后续跟踪很容易被背景带偏。

直方图的构建有几个容易忽略的细节：颜色空间的选择、通道的选取、直方图bin的数量。我实测下来，从BGR转到HSV，然后只用H通道构建直方图效果最好。因为HSV空间中的H通道（色调）对光照变化相对不敏感，比直接用BGR或灰度鲁棒得多。S和V通道包含了饱和度和明度信息，光照变化时这两者的扰动很大，所以一般不纳入。

bin数量建议取16到32之间。bin太少，区分度不够，目标和对背景的差异凸显不出来；bin太多，直方图太稀疏，稍微有点扰动就匹配不上。我用的是每个通道16个bin，效果比较稳定。直方图需要做归一化，让所有bin的累加和为1，这样不同大小的目标区域计算出来的直方图才有可比性。

3.3 核心代码逐段讲解

卡尔曼滤波的初始化与状态定义

在OpenCV中，卡尔曼滤波有专门的类cv2.KalmanFilter。初始化时我们要告诉它状态向量和观测向量的维度，然后设置状态转移矩阵F、观测矩阵H、过程噪声协方差Q和观测噪声协方差R。我按4维状态、2维观测来配置：

import cv2 import numpy as np # 状态向量: [x, y, vx, vy] 观测向量: [x, y] kalman = cv2.KalmanFilter(4, 2) # 状态转移矩阵，这里假设匀速运动，dt设为1帧 kalman.transitionMatrix = np.array([ [1, 0, 1, 0], [0, 1, 0, 1], [0, 0, 1, 0], [0, 0, 0, 1] ], dtype=np.float32) # 观测矩阵 kalman.measurementMatrix = np.array([ [1, 0, 0, 0], [0, 1, 0, 0] ], dtype=np.float32) # 过程噪声协方差Q kalman.processNoiseCov = np.eye(4, dtype=np.float32) * 0.01 # 观测噪声协方差R kalman.measurementNoiseCov = np.eye(2, dtype=np.float32) * 0.1 # 初始状态和协方差 kalman.statePre = np.array([[0], [0], [0], [0]], dtype=np.float32) kalman.statePost = np.array([[0], [0], [0], [0]], dtype=np.float32) kalman.errorCovPost = np.eye(4, dtype=np.float32)

这里Q和R的取值非常关键。Q表示我们对运动模型的信任程度，设得越小，说明我们越相信“目标在做匀速运动”，滤波结果就越平滑，但对变速运动的响应会变慢。R表示我们对观测值的信任程度，设得越小，说明我们越相信Meanshift找到的位置，轨迹会更“贴”着观测值走，但抖动也会更明显。我从实际调参的经验出发，建议从Q=0.01、R=0.1这个组合起步，然后看轨迹的平滑程度做微调。如果目标运动比较激进，Q要适当调大，否则会出现“跟得慢半拍”的感觉。

Meanshift搜索与CAMshift自适应窗口

有了直方图之后，每一帧的核心操作分三步：反投影、Meanshift/CAMshift迭代、取结果更新状态。先看反投影部分：

# 将当前帧转到HSV空间 hsv_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 计算反投影图：每个像素的值是该颜色出现在目标直方图中的概率 back_proj = cv2.calcBackProject( [hsv_frame], [0], target_hist, [0, 180], 1 )

这里要注意calcBackProject的参数——通道索引[0]表示只用H通道，[0, 180]是H通道的取值范围。OpenCV的H通道范围是0到180，不是0到255，这个细节搞错的话，直方图匹配会完全失效。

接着用CamShift函数完成迭代搜索：

# 初始化搜索窗口，用卡尔曼预测位置作为窗口中心 x_pred, y_pred = kalman_pred[0, 0], kalman_pred[1, 0] search_window = (int(x_pred - w / 2), int(y_pred - h / 2), w, h) # CAMshift迭代，返回旋转矩形和窗口 rotated_rect, track_window = cv2.CamShift( back_proj, search_window, (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1) ) # 旋转矩形的中心就是观测位置 x_obs, y_obs = rotated_rect[0]

cv2.CamShift返回两个值：第一个是旋转矩形（中心、尺寸、角度），第二个是更新后的搜索窗口（用于下一帧的初始化）。这里要注意，返回的track_window可能因为窗口尺寸变化而和输入不同，所以下一帧一定要用这个返回值作为搜索窗口的起点，而不是自己存的旧窗口。

如果只想用普通Meanshift而不需要自适应窗口，就用cv2.meanShift，它的API更简单，返回收敛后的窗口，但窗口尺寸不会变：

_, track_window = cv2.meanShift( back_proj, search_window, (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1) )

卡尔曼预测与更新

卡尔曼滤波在每帧里的调用顺序也有讲究。先用predict()得到预测位置，然后把这个预测位置喂给Meanshift作为搜索窗口的初始中心；等Meanshift收敛后，用观测位置调用correct()更新滤波器：

def kalman_predict_update(kalman, observation=None): # 预测当前帧目标位置 predicted = kalman.predict() if observation is not None: # 用观测值修正预测 kalman.correct(observation) return predicted

这里的顺序不能乱。先predict，是告诉滤波器“根据上一帧的运动趋势，这个时刻目标应该在这”；然后correct，是把“视觉模块看到的目标真实位置”告诉它，让滤波器修正自己的估计。如果把correct放在predict之前，那这一帧的预测就用上了当前帧的观测信息，变成了“作弊”，滤波的平滑性和抗遮挡能力都会打折扣。

3.4 遮挡场景下的协作策略

卡尔曼滤波在遮挡场景下的作用，是这个项目里最值得展开的部分。我设计的逻辑是：设定一个连续失败计数lost_count，当Meanshift返回的窗口中心与卡尔曼预测位置的距离超过一定阈值（比如目标宽高的1.5倍）时，认为视觉跟踪可能已经失锁。

失锁后有两种处理策略。一种是什么都不做，把卡尔曼预测的位置直接作为输出，继续在预测位置附近搜索；另一种是扩大搜索窗口范围，让Meanshift有更大的候选区域去寻找目标。我实测下来，策略二更稳妥，因为它利用了“目标重新出现的位置大概率在预测位置附近”这一先验。

具体实现上，失锁时可以把搜索窗口的长宽都放大1.5到2倍，但直方图模板不更新，防止模板被背景污染。同时适当增大过程噪声Q，让卡尔曼滤波器对运动模型的置信度降低，更灵活地响应可能的运动变化。

if confidence < 0.3: lost_count += 1 # 扩大搜索窗口 search_window = expand_window(search_window, scale=1.8) if lost_count > 30: # 目标彻底丢失，考虑重新初始化 reinitialize_tracker()

这个思路简单但有效。我用一段包含“目标走到遮挡物后面又走出来”的测试视频验证过，在遮挡时间小于30帧的情况下，跟踪基本不会断。

3.5 参数调优的实操经验

整个过程我最想强调的调参经验，可以集中列在这里。

第一个是直方图bin数。bin从16调到64，效果会有明显变化。16个bin时直方图很平滑，匹配起来比较宽容，不容易丢，但位置精度稍差；64个bin时细节更丰富，位置精度高，但对干扰更敏感。在背景复杂、容易有相似颜色的场景，我会倾向于用32个bin做折中。

第二个是Meanshift迭代的终止条件。TERM_CRITERIA_COUNT控制最大迭代次数，一般10次就够了，因为我们每帧只做一次搜索，不需要完全收敛；TERM_CRITERIA_EPS控制窗口移动的最小距离，设为1个像素比较合理。如果设得太小，迭代次数会变多，计算量上升但精度提升有限。

第三个是卡尔曼滤波的Q和R。前面已经说过，Q代表运动模型的噪声水平，R代表观测噪声水平。当目标做慢速直线运动时，可以把Q设小一点，让滤波器的输出更平滑；当目标运动速度快、机动性强时，要把Q调大，否则跟踪框会滞后。我的经验是Q在0.001到0.1之间调整，R在0.01到1之间调整。

第四个是颜色空间。我曾经在同一个视频里对比过BGR直方图和HSV(H通道)直方图的跟踪效果，在光照有轻微变化的场景中，H通道的跟踪明显更稳。但如果场景的光照非常均匀、几乎不变，BGR直方图的位置精度反而更高。这个取舍看实际场景，没有银弹。

4. 常见问题与排查技巧

4.1 经典故障对照表

为了让你在实际跑代码时能更快定位问题，我把踩过的一些坑和排查思路整理成了表格。

这组对照表是我做项目时总结出来的，不能说覆盖所有情况，但能帮你省很多查资料的时间。

4.2 直方图匹配失效的场景还原

有一个特别典型的失败场景值得单独拎出来说。我为了测试，让一个人穿着浅灰色衣服在深灰色背景前横向走动。目标衣服和背景的颜色在H通道上非常接近，直方图反投影图几乎是一片均匀的灰色，Meanshift在这个图上找质心，等于在整幅图上找随机位置，结果自然是乱跳。

这个案例说明了一个关键结论：Meanshift/CAMshift对目标的“颜色独特性”要求非常高。如果目标的颜色分布和背景过于接近，再精细的参数调优都救不回来。这种场景下的解决方案有三个：换用多通道直方图（把S通道也加进来），增加纹理特征（比如梯度直方图），或者彻底换用特征点匹配的跟踪方法。我在项目中通常的做法是，在初始化时先算一个“目标直方图与背景直方图的相似度”，如果相似度太高，就直接提示用户重新框选目标或换用其他跟踪方案。

4.3 实测中发现的卡尔曼滤波陷阱

卡尔曼滤波的调参，我踩过的最大一个坑是状态转移矩阵和实际运动不匹配时的“失控”行为。用匀速运动模型去跟踪一个频繁加减速的目标，预测位置会系统性地偏离真实位置。这种偏差不是随机噪声，而是有方向的，所以correct()虽然能修正一部分，但每一帧都“修正不完”，最终滤波结果会偏向运动的实际轨迹。

解决办法有两个层面。第一，在参数层面，把过程噪声Q调大，相当于告诉滤波器“匀速运动模型不太可靠，你要给预测留更多不确定性”，这样correct()的影响力就会变大，观测值被更快采纳。第二，在模型层面，把状态向量扩展为[x, y, vx, vy, ax, ay]，使用匀加速运动模型。实测下来，匀加速模型对机动目标的跟踪效果有明显改善，但代价是状态维数增加，协方差矩阵规模变大，计算量稍微上升。

另一个容易被忽视的问题是对statePost和statePre的区别理解不到位。statePre是预测结果，statePost是修正结果。在OpenCV的KalmanFilter中，predict()返回的是statePre，而correct()会内部更新statePost并返回修正后的值。很多初学者对第一帧的状态初始化不够重视，直接用[0,0,0,0]作为初始状态，导致最初几帧的预测严重偏离。正确的做法是用第一帧人工框选的目标中心位置来初始化statePost：

kalman.statePost = np.array([[x0], [y0], [0], [0]], dtype=np.float32)

这样，滤波器从一开始就站在正确的位置上，而不是花好几帧去“收敛”。

4.4 性能优化的几点心得

传统视觉跟踪的优势在实时性，但也不是说代码随便写就能跑满帧率。我在性能优化上有几个切身体会。

第一，直方图反投影是每帧计算量最大的环节之一。如果视频分辨率是1080p，全图反投影一次耗时无法忽略，而实际搜索区域只占画面的很小一部分。优化办法是先计算一个较大的搜索区域ROI（比如目标位置周边扩展两倍），只对ROI做反投影。用cv2.calcBackProject时传入ROI区域对应的hsv帧切片，计算量能减少一半以上。

第二，卡尔曼滤波的矩阵运算量非常小，基本可以忽略不计，性能瓶颈始终在直方图计算和反投影上。所以优化重点是减少反投影的面积，以及降低直方图更新的频率。直方图模板不用每帧都更新，我通常每10帧更新一次，或者当检测到目标外观变化较大时才更新。频繁更新会让模板逐渐漂移到背景上，学名叫“模板漂移”，这是直方图类跟踪器最常见的隐患之一。

第三，如果要在嵌入式设备上跑，建议把图像先从BGR转到HSV再建立直方图的这个过程用查表法优化。因为H通道只有180个取值，可以提前建一个180维的映射表，把直方图概率预先算好，运行时直接查表。这个优化在CPU算力受限的设备上收益非常明显。

5. 扩展思考：这套方案还能怎么用

写完这个项目之后，我一直在想Meanshift和卡尔曼滤波这套组合还有哪些可以延伸的方向。最简单的扩展是给它加上多特征融合，比如颜色直方图加边缘方向直方图。颜色负责目标身份的确认，边缘负责目标轮廓的匹配，两者结合能显著提高在相似颜色背景下的鲁棒性。

另一种扩展是多目标跟踪。Meanshift天然支持多窗口并行搜索，每个目标一个窗口、一个卡尔曼滤波器，互不干扰。难点在于目标之间的重叠和遮挡，需要设计一个“撞车检测”机制，当两个跟踪窗口重叠面积过大时，暂停其中一个的观测更新，只用卡尔曼预测顶住。这个思路和人体的Sort/DeepSort里的匹配策略有相似之处。

还可以把卡尔曼滤波的输出不只是用于跟踪框，而是用于辅助检测。比如在监控场景中，先用帧差法或背景建模检测运动目标，然后用卡尔曼滤波预测目标在下一帧的位置，把检测算法的搜索区间缩小到预测位置附近。这样不仅检测速度更快，而且可以跳过一些误检区域。这个用法在交通监控里的车辆跟踪、厂区人流量统计里都很实用。

如果你之后要转向深度学习跟踪器，这个项目里的很多思想还是通用的。常见跟踪器里的“状态预测”模块，很多用的就是卡尔曼滤波或其变种；而“外观更新策略”里关于模板漂移的讨论，和深度跟踪器里的模板更新频率控制也很相似。打牢基础之后再学新东西，往往事半功倍，这也是我做这个项目的初衷。

最后再分享一个实际做项目时的体会：这类传统跟踪算法，看起来代码量不大，真正跑起来会踩到很多文档里不写的细节。颜色空间、直方图构建、窗口初始化、滤波参数，每一处都藏着能让你“跟丢目标”的坑。但也正因为如此，把每个坑都趟一遍之后，你对整个目标跟踪的理解会比直接调用一个现成的深度学习模型深刻得多。这套代码后续我还会继续扩展，下一步打算加入多特征融合和遮挡检测的优化，到时候再和大家分享实测结果。