企业官网建设流程全解析

简介：面向计算机视觉与图像处理方向的Matlab追踪算法性能测试资源包，适用于研究目标检测、自动驾驶、无人机监控等场景的算法工程师与学习者。资源围绕追踪算法的分类、实现与性能评估展开，结合基于模型、基于搜索与深度学习追踪思路，帮助用户在Matlab环境中快速搭建对比实验，理解光照变化、遮挡、运动模糊等因素对跟踪结果的影响。

压缩包共29个文件，以动态链接库、测试图像、脚本及说明文档为主，辅以备份文件，整体大小约3.92MB，结构轻量且便于下载与复现；目前已有200人学习。

资源内提供可直接运行的测试脚本与配套算法组件，覆盖模板匹配、均值漂移、方差比、峰值差等多种追踪策略，附带样本图像序列、使用说明及外部参考资料，可直观比较各算法在不同帧中的表现，并利用准确率、精度、召回率等指标完成性能评估，适合作为算法选型、对比验证与进一步优化的重要参考。

1. Matlab_Tracker 是什么：为什么你需要的不是一个算法，而是一条能跑的循环

Matlab_Tracker 这类压缩包在图像处理大作业和毕设里出现频率很高，解压之后通常是一个视频目标跟踪 demo：读入帧、画一个框、跟踪框跟着目标走。很多人拿到手先跑一遍，然后发现跟踪框要么漂移、要么跟丢，改两行代码就开始报错。问题往往不在算法本身，而在目标跟踪在 Matlab 里从来不是一个函数能搞定的事。它牵扯到视频帧读写、状态预测、观测匹配、显示刷新，还要把这几件事串成一个稳定的循环。这篇文章就是想把这整条链路拆开讲清楚——算法怎么选、循环怎么写、参数怎么调、哪些地方会翻车，让你手上能跑起来一个最小可用、可以继续改的 tracker。

2. 跟踪算法选型：均值漂移、光流和卡尔曼滤波到底该选哪个

做目标跟踪，第一个绕不开的问题就是算法选型。那个压缩包里的 tracker 可能是任意一种方法实现的，但市场上最常见的就三类：光流、均值漂移、卡尔曼滤波。我的结论先说在前面：课程作业和验证性 demo 用均值漂移、光流都行，工程系统或毕设里尽量用卡尔曼滤波做骨架，再把检测器作为观测源接进来。这一章把三者的边界、优缺点和选型依据铺开讲。

2.1 光流：短时运动能算出来，长程跟踪撑不住

光流估计的是相邻两帧之间每一个像素的运动方向和速度。Matlab 里用estimateFlow或者opticalFlowFarneback、opticalFlowLK对象可以很快算出稠密光流。它的优点是几乎不需要目标外观模型，你连“目标长什么样”都不用告诉它，只要画个区域，它就能告诉你这个区域在往哪边移动。小位移场景里它的精度其实相当好，所以常被用在视频稳像、运动分割、人群流向分析这类短时任务里。

但它有一个天然缺陷：光流是“逐帧运动场”，不是“目标身份”。你从光流里只能知道某个局部区域在移动，却无法回答“这只猫是不是上一帧那只猫”。做长程跟踪的时候，目标一旦快速移动、遮挡或者纹理弱，光流场的噪声会把跟踪框带偏。我见过有人直接用光流做 track by detection 的输入，目标一转弯，框就飘到背景上去了。更麻烦的是，光流对光照突变和运动模糊极敏感，而这两件事在监控视频里几乎无法避免。

所以我的判断是：如果你的任务只有几帧到几十帧，光流够用；如果你需要一个持续几十秒、几百帧的跟踪轨迹，光流只能当一个辅助输入，不能当地基。它最适合的位置是“运动分析”而不是“目标跟踪”。真正要跟住一个目标，你需要的是能跨帧维持身份的状态估计器，而不是每帧重新算一遍像素位移。

2.2 均值漂移：课程作业友好，工程上输在尺度和遮挡

均值漂移是我见过的大作业高频选手，因为它太容易跑通了。核心思路是：在上一帧目标位置附近，用颜色直方图给目标建一个外观模型，然后每一帧迭代移动一个窗口，使得窗口里的直方图和模型最相似。Matlab 里对应的接口是vision.HistogramBasedTracker，几行代码就能把框画出来，非常适合交差和汇报。

但工程上它的短板非常硬。第一，直方图丢掉了目标的空间布局，背景里如果有一大块和目标颜色相近的区域，均值漂移会把这块背景一起吞进去。第二，目标的尺度变化它处理不了，目标走近镜头时框不扩张，走远时框不收缩，框里很快混入大量背景。第三，遮挡超过一半时，外观模型会被遮挡物污染，跟踪框会锁死在遮挡物上。这三个问题叠加起来，真实监控视频里均值漂移往往维持不了几秒。

不是不能用，而是要清楚它的适用边界。我一般只在两个场景里用均值漂移：一是目标颜色在画面里非常突出、背景干净，比如纯色小球在白色桌面上滚动；二是做算法对比的 baseline，证明“新方法比传统方法好”。如果你要跟踪的目标外观会随时间慢慢变化，比如行人的衣服在不同帧里有明暗差异，均值漂移就很吃力，因为它的直方图模型一旦初始化，就不会主动更新。

2.3 卡尔曼滤波：预测-观测-更新的闭环，适合做 tracker 骨架

卡尔曼滤波是当前单目标跟踪实现里最稳的骨架。严格来说它不是“跟踪算法”，而是一个状态估计器：用运动模型预测目标下一帧的位置，再用检测器给出的观测结果来修正预测。Matlab 里常见的有vision.KalmanFilter和trackingKF两套接口，前者是单目标时代的遗留接口，后者是trackerGNN、trackerMHT这些多目标框架的标准件。

这个方案的前置条件是你必须有一个检测器。检测器可以是任何东西：颜色分割、背景差分、深度学习目标检测器，甚至人工用鼠标点一下。卡尔曼不关心目标长什么样，它只维护一个状态向量，通常是中心和速度。它唯一要做的事情，是把“预测”和“观测”按权重融合起来，输出一个更平滑、更稳的位置。漏检一帧没关系，预测会继续外推；检测跳一下没关系，滤波会把噪声磨平。

它的缺点也要讲明白：默认的运动模型是匀速或者匀加速，目标急转弯时预测会偏。工程上的解决办法是调大过程噪声 Q，让滤波器认怂，更信任观测而不是预测。这个操作我在第 4 章会专门展开。另外，卡尔曼需要手动维护状态维度和协方差矩阵，新手第一次看到矩阵运算会觉得像黑匣子，但它只有四个四维矩阵操作，拆开之后非常直白。

2.4 选型对照：三个维度看哪种算法放进你的 tracker

把三种方法放在一张表里，选型就清楚了。这里给出我常用的对比维度：

结论很直接：新手做 tracker 应该从卡尔曼滤波入手，把均值漂移留着当对比实验，把光流当运动分析工具。真正让系统稳住的往往不是某个新提出的特征算子，而是预测-观测-更新这个闭环在稳定运转。这个闭环的具体写法，就是下一章的内容。

3. 最小可跑的卡尔曼跟踪循环：初始化、预测、观测、更新四步拆解

这一章直接给一个能改、能跑的代码骨架。它完成的是单目标跟踪里最核心的闭环：状态初始化、运动预测、检测观测、更新估计。你不需要先读完整本 Kalman 教材，照着拆完这四个步骤，再套进你自己的检测器里，一个 tracker 的最低形态就出来了。

3.1 状态向量与运动模型：为什么用“位置 + 速度”四维状态

第一步是定义状态向量。我的习惯是取四维：[px; py; vx; vy]，也就是目标中心在图像里的 x、y 坐标和对应的速度。为什么不只存位置？因为一旦检测器漏了一帧，速度项可以让滤波器继续外推目标到哪里了；如果把速度丢掉了，漏检时位置只能原地踏步，目标早就跑远了。这也是卡尔曼相对纯平滑滤波器的核心优势。

运动模型选匀速就足够了，不要一上来就上匀加速。匀速模型的状态转移矩阵是：

% 状态转移矩阵 F：假设匀速运动 dt = 1/25; % 视频帧间隔，按实际帧率改 F = [1 0 dt 0; 0 1 0 dt; 0 0 1 0; 0 0 0 1];

初始速度不知道没关系，写 0 就行。滤波器会在前几帧里通过观测自动把速度收敛出来。初始位置用第一帧检测框的中心，P 矩阵初始给一个比较大的值，比如eye(4) * 100，代表“我不信任这个初始状态”，后面几帧观测会很快把不确定性压下来。

3.2 观测接口设计：检测器返回什么，滤波器才能接住

第二步是定义观测。卡尔曼观测矩阵 H 决定了滤波器能看到状态的一部分。这里我只看位置，不看速度，所以 H 是两行：

H = [1 0 0 0; 0 1 0 0];

对应的观测向量 z 是[cx; cy]，也就是检测器给出的目标中心。检测器可以是一个函数，比如用背景差分把运动区域切成二值图，再用regionprops求质心；也可以是你自己训练好的深度学习检测器输出边界框中心。接口只要返回一个两行一列的坐标，或者空数组表示没有检测到目标，就能接进这个循环。

这里有个容易忽略的细节：检测器的噪声水平和 R 矩阵要对得上。regionprops算质心在白底上的噪声可能不到 1 个像素，而 YOLO 边框中心在复杂场景下噪声可能有 3～5 个像素。R 设得太小，滤波器会迷信一个本身很抖的检测器；R 设得太大，滤波器又会反应迟钝。下一章再讲怎么定，这里先记住：R 是观测噪声协方差，不是随便填的。

3.3 关联与门限：漏检时让跟踪不死的两个手段

第三步是预测和更新之间的门控。卡尔曼公式本身管的是“怎么融合”，但要先回答一个问题：这个观测到底是不是当前目标？如果检测器在画面里发现了十个目标，你要挑哪一个来更新？单目标场景简单一些，但依然存在误检和漏检。

常见做法是算马氏距离，也就是观测和预测之间的新息 y 的归一化距离。如果这个距离太大，说明检测框和当前目标轨迹对不上，这次观测直接丢弃：

% 新息、新息协方差、卡尔曼增益 y = z - H * x; % 新息：观测减预测 S = H * P * H' + R; K = P * H' / S; % 用 / 而不是 inv(S) 求增益 mahal_d2 = y' / S * y; % 马氏距离平方 if mahal_d2 < gating_threshold % 门限：通常取 9 ~ 16 x = x + K * y; P = (eye(4) - K * H) * P; end

这个门控逻辑同时解决了两个问题：漏检时（z 为空）不更新，让预测继续外推；误检时（距离太远）不更新，避免轨迹被突然跳变带跑。门限取 9 还是 16，取决于你愿意承受多少误检。取小一点轨迹更干净，但目标跟丢后很难找回来；取大一点鲁棒性更好，但误检也可能混进来。

3.4 完整代码：一个能直接改的 tracker_loop.m

把前面三部分拼成一个完整的循环，结构如下：

% tracker_loop.m % 单目标卡尔曼跟踪：匀速运动模型，观测为检测器返回的目标中心 % 状态 x = [px; py; vx; vy] % ---- 初始化 ---- dt = 1/25; % 帧间隔，按实际视频帧率改 F = [1 0 dt 0; 0 1 0 dt; 0 0 1 0; 0 0 0 1]; % 状态转移矩阵 H = [1 0 0 0; 0 1 0 0]; % 观测矩阵：只看位置 Q = diag([0.5 0.5 5 5]); % 过程噪声：速度项比位置项大 R = diag([4 4]); % 观测噪声：检测中心噪声约 2 像素 x = [200; 150; 0; 0]; % 初始状态：第一帧检测框中心 P = eye(4) * 100; % 初始协方差：不信任初始状态 gating_threshold = 9; % 马氏距离门限 track_x = zeros(numel(images), 1); track_y = zeros(numel(images), 1); % ---- 主循环 ---- for k = 1:numel(images) % 预测：无条件执行 x = F * x; P = F * P * F' + Q; % 观测：调用检测器，返回 [cx; cy] 或空数组 z = detect_target(images{k}); % 更新：仅当观测有效且通过门限时执行 if ~isempty(z) y = z - H * x; S = H * P * H' + R; K = P * H' / S; if (y' / S * y) < gating_threshold x = x + K * y; P = (eye(4) - K * H) * P; end end track_x(k) = x(1); track_y(k) = x(2); end

这段代码里有几个参数需要你按场景调：dt 必须和视频真实帧率匹配，25 帧的视频写 1/25，30 帧写 1/30；Q 的速度项 5 表示目标每帧机动可能带来的速度变化量级，目标机动越剧烈这个值越大；R 的 4 表示检测器中心噪声标准差约 2 像素。如果跑起来发现跟踪框抖动，把 Q 调小；发现跟不住快速运动目标，把 Q 的速度项调大。这就是后面要细说的调参逻辑。

4. 参数调优：Q、R、关联门限和最大速度的调参顺序

代码跑通之后，真正决定 tracker 好不好用的就是参数。很多人卡在这一步，觉得卡尔曼滤波是玄学，其实 Q、R、门限、速度上限这几个参数各有物理含义，调参是有顺序的。我按自己的经验把优先级排一遍。

4.1 Q 和 R：两个旋钮背后的物理意义

Q 是过程噪声，描述你对运动模型的不信任程度；R 是观测噪声，描述你对检测器的不信任程度。两者之比决定了滤波器的行为偏向。Q/R 大的时候，观测比预测更受信任，轨迹会紧跟检测框，代价是抖动变大；Q/R 小的时候，预测更受信任，轨迹非常平滑，但目标急转弯时会拉出一条大弧线才跟上去。

调参的落地方法我一般这么做：先定 R，再扫 Q。R 不要靠猜，拿检测器在静止目标上跑 20 帧，统计检测中心和真实中心（比如手工标一下）的误差，取标准差的平方作为 R 的对角线。比如误差标准差是 2 像素，R 就是diag([4 4])。这一步做完，滤波器对检测器的信任水平就有了依据。

然后 Q 从小往大扫。先设成位置项 0.1、速度项 1，看跟踪轨迹是否平滑、能否跟上；跟不上就把速度项加到 5、10、20。Q 太大后轨迹边缘会出现毛刺，那是你给了模型太多随机扰动，模型在“瞎猜”。找到“还能跟上、但不过度抖动”的临界点即可。这个临界点没有统一数值，和视频分辨率、目标速度、检测噪声都相关，所以不要抄网上某份代码里的 Q，自己扫一遍最靠谱。

4.2 关联门限与最大速度：漏检不丢目标的关键

卡尔曼参数调好之后，还要调跟踪系统的关联参数。第一个是马氏距离门限，决定检测框能不能碰撞到这条轨迹上。它对应卡方分布的自由度，二维观测时，门限取 9 表示 99.7% 的置信区间，取 16 表示 99.99%。我把门限调大的场景一般是目标检测器很弱，经常漏检又偶尔误检，这时候宁可放进来几个误检，也不愿意跟丢真目标。

第二个参数是目标最大速度，它比门限更直观：如果相邻两帧之间目标位移超过这个像素值，就认为不是同一目标。它适合用来挡掉那些高速乱飘的误检。可以把它做成速度项的门限，也可以单独在关联前过滤。代码里可以这样实现：

% 用最大速度先过滤掉离谱检测 max_speed = 15; % 像素/帧 if norm(z - H * x) > max_speed z = []; % 视为无效观测 end

这个参数可以用目标实际移动速度乘以一个安全系数来确定。比如已知目标每帧最多移动 8 像素，max_speed 设 15 就很合理。设太小会漏掉真实目标，设太大就失去了过滤意义。

4.3 四个必调参数的初始推荐表

把四个参数放到一张表里，方便你下手时有个起点。注意这只是起点，不是终点：

调参顺序我固定是：R 实测确定 → Q 由小到大扫 → 门限按漏检率调 → 最末尾再动 max_speed。不要一上来就同时改四个参数，那样改了也说不清楚是谁起的作用，出问题也不好回退。

4.4 边界：两类场景 tracker 一定会翻车

参数调得再好，也有解决不了的问题。第一类是目标剧烈形变，比如行人弯腰、转身、蹲下，卡尔曼状态里只有中心点和速度，这种形变会让检测框中心大幅跳动，再大的 Q 也救不回来，因为运动模型本身不成立。第二类是相机全局运动，云台转动、车辆颠簸都会让画面的整体运动叠加在目标运动上，这时你必须在进入卡尔曼之前做全局运动补偿，常见做法是提取背景特征点做仿射变换估计。不补偿，跟踪框会在目标静止时跟着背景一起跑。

还有一类更隐蔽：检测器存在恒定偏移，比如检测框永远偏左 5 像素。卡尔曼会把偏移当成真实状态的一部分慢慢吸收，导致轨迹整体偏移。这种情况不是加大 Q/R 能解决的，要从检测器侧修正。理解了边界，你就知道 tracker 不是万能的，参数调优只能解决“模型能表达的问题”。

5. 避坑：Matlab 目标跟踪的 5 个常见翻车现场

这一章是踩坑记录。下面五个问题是我见过的最高频翻车点，每条按现象、原因、解决的顺序写，你如果跑代码卡住，先来这里对一对。

5.1 光流计算直接报错：输入必须是灰度图

现象：调用estimateFlow或opticalFlowHS时报错“输入必须为二维矩阵”，或者算出来结果全是零矩阵。原因很典型：直接把imread读进来的 RGB 三通道图像传给了光流函数。光流算法要求输入是单通道灰度图，三通道时部分接口直接拒绝，部分接口做了隐式转换但转换逻辑和你想的不一样。解决方法是显式转灰度：

gray = rgb2gray(frame); % 先转灰度 flow = estimateFlow(opticFlow, gray);

这个坑特别容易在视频读入时出现，因为VideoReader读出来的帧多数是 RGB。建议在读帧之后立刻统一转灰度，避免后面每个函数各转一次，转换次数多了还会积累性能损耗。

5.2 卡尔曼协方差矩阵失去对称性导致 NaN

现象：跟踪循环跑了十几帧之后，跟踪框突然跳到 NaN，后面全部变成 NaN。排查时打印 P 矩阵，发现 P 已经不对称，甚至出现负的对角线元素。原因通常是两处：一是显式调用inv(S)求卡尔曼增益，矩阵病态时数值误差被放大；二是在更新 P 时用P = (I - K*H)*P这种正反顺序混用，累积的浮点误差破坏了对称正定性。解决方法是改用右除运算符，并每步做一次对称化：

K = P * H' / S; % 推荐，不要写 inv(S) P = (eye(4) - K * H) * P; P = (P + P') / 2; % 强制对称，防数值发散

这个对称化操作代价极低，推荐在每次更新后都执行。它是血泪经验，因为 NaN 一旦出现，整个循环的输出都作废，而且很难定位是第几帧开始坏的。

5.3 视频实时预览卡死：plot 之后忘了 drawnow

现象：循环里用plot画跟踪框，运行时窗口像卡死了一样，拖一下窗口就白屏，帧率掉到 1 FPS 以下。原因不是跟踪算法慢，而是绘图管线没有刷新。Matlab 在循环里不断创建新的绘图对象、或者把旧对象攒着不重绘，图形队列被填满。解决方法是使用imshow加rectangle组合，并显式调用drawnow limitrate：

imshow(frame); hold on; rectangle('Position', box, 'EdgeColor', 'r', 'LineWidth', 2); hold off; drawnow limitrate;

另外，循环里不要每次用plot画轨迹点再删掉，那样会堆积大量不可见图元。一个常见做法是预先分配line对象，每次只更新XData和YData，性能会好很多。这点在长视频上区别尤其明显。

5.4 跟踪框比目标大一圈：坐标体系不一致

现象：卡尔曼状态里的中心点位置很准，但最后画出来的边界框明显偏大，或者位置是对的但框的朝向不对。原因分两种：一是检测器输出的是“左上角 + 宽高”，而你的滤波器状态是“中心 + 宽高”，转换时把左上角直接当中心用；二是图像坐标系 y 轴方向搞反了，画框时用了沿 y 向上的数学坐标系。解决方法是统一用图像坐标系，并单独保存框宽高，不放进滤波器状态：

% 检测器返回 [x_left, y_top, w, h] center = [x_left + w/2; y_top + h/2]; box = [x_left, y_top, w, h]; % 宽高只在画框时用，不参与滤波

这一步看似简单，但非常容易在从检测到跟踪、再从跟踪回到画框的两次转换里出问题。建议写两个小函数det2state和state2box，把转换逻辑固定下来，不要散落在主循环里。

5.5 把深度学习检测器当跟踪器用，帧率崩掉

现象：把一个训练好的目标检测网络接进循环，每帧跑一次全图推理，跟踪框是准了，帧率却掉到 0.5 FPS，视频看起来像幻灯片。原因很直接：检测网络是在整张图上算的，而跟踪器的价值就在于利用上一帧信息缩小搜索范围。你现在等于每帧都在做一次目标检测，跟踪的意义就没了。解决方法是先用卡尔曼预测位置，然后在预测点周围裁剪一块 ROI，只对 ROI 做检测或特征匹配：

% 伪代码：预测后用 ROI 限制检测区域 roi = [x(1) - margin, x(2) - margin, 2*margin, 2*margin]; frame_roi = imcrop(prev_frame, roi); z_roi = detect_target(frame_roi); z = z_roi + [roi(1); roi(2)]; % 把 ROI 坐标换回全图坐标

margin 一般取目标宽高的 1 到 2 倍，太小会跟不上机动目标，太大等于没裁剪。这个改法能让同样一个检测器的耗时降到原来的几分之一。另一个更轻量的选择是vision.ForegroundDetector，它在帧差法基础上做了背景建模，适合固定相机场景。

6. 进阶：从单目标 tracker 到多目标关联与轨迹管理

单目标卡尔曼循环跑通之后，多目标跟踪并不是把代码复制几份就行，核心难点变成了“哪条轨迹该吸收哪个检测”。这一章讲两个能直接用的手段：用matchpairs做检测-轨迹关联，以及轨迹生命周期的三态管理。

6.1 用 matchpairs 做检测-轨迹关联

单目标里我们用马氏距离门限判断一个检测要不要更新轨迹。多目标场景下，N 条轨迹和 M 个检测之间需要一个最优匹配，这里推荐直接用 Matlab 自带的matchpairs。它默认做最小化匹配，返回的是行列配对结果，cost 矩阵里每一行是一条轨迹、每一列是一个检测：

cost = zeros(num_trackers, num_detections); for i = 1:num_trackers for j = 1:num_detections cost(i, j) = (z{j} - H * x{i})' / S{i} * (z{j} - H * x{i}); end end assignments = matchpairs(cost, 0.2); % 第二参数是门限，小于它拒绝匹配

这里第二参数 0.2 是代价门限，它会把超过门限的组合直接置为“不匹配”。换算到马氏距离需要看代价矩阵的量纲，建议先打印一次cost的分布，再决定门限。这个函数已经是多目标跟踪的标配，比手写匈牙利算法更省心。

6.2 轨迹生命周期：新建、确认、删除三态

多目标跟踪不能一检测到点就建一条永久轨迹，那样噪声会制造大量假轨迹。我惯用的做法是给每条轨迹一个状态：候选、确认、删除。连续 3 帧都有有效检测关联上，候选升级为确认；确认轨迹连续 5 帧没有关联到任何检测，就判定消亡并删除；候选轨迹如果经常丢帧，从头到尾不会被转入确认，也不会输出。这个三态逻辑可以用一个计数器数组实现：

track_age = track_age + 1; % 每次关联成功加 1 track_lost = track_lost + 1; % 每次未关联更新加 1 confirmed = track_age >= 3; % 满足生命周期条件才输出 delete_flag = track_lost > 5;

这样做的直接收益是轨迹数量稳定，不会因为一个闪烁的检测框爆出十几条碎片轨迹。评估多目标跟踪时，碎片轨迹少本身就是一项硬指标。

6.3 评估指标：MOTA 和 MOTP 怎么算

调完多目标关联，需要知道 tracker 到底好不好。MOTA 综合了误检、漏检和身份切换，MOTP 衡量的是轨迹位置与真实位置的平均距离。Matlab 没有内置函数，但计算方法不复杂：你需要一个 ground truth 文件，然后把每一帧的跟踪结果与之做关联，统计三类错误——把背景当目标的 FP、漏掉目标的 FN、同一目标 id 发生变化的 IDSW。MOTA 的计算公式是：

MOTA = 1 - (FP + FN + IDSW) / num_gt; MOTP = mean(all_distances); % 所有正确关联帧的框中心距离的平均值

MOTA 低于 60% 说明类似“跟踪框在乱跳”，问题往往出在关联而不是卡尔曼参数上；MOTP 偏大则说明框和真实位置系统性偏差，优先检查坐标转换。做毕设时拿出这两项指标加一段轨迹图，比贴十张检测框截图要有说服力得多。

最后说个我自己的习惯：不管单目标还是多目标，每改完一次参数，我都会固定一段视频、固定一组指标先跑一遍，把 MOTA、MOTP 记下来再继续调。不然今天改 Q 明天改门限，最后根本说不清是哪一步让性能变了。多目标比单目标更容易出现这种情况，因为中间变量多了，每个参数都像隔着黑匣子。把这个统计习惯保持住，你手里的 tracker 才能越调越稳。希望帮到你。

本文还有配套的精品资源，点击获取