目標跟蹤（object tracking）就是在連續的視頻序列中，建立所要跟蹤物體的位置關系，得到物體完整的運動軌跡。
目標跟蹤分為單目標跟蹤和多目標跟蹤。本文如無特別指出，均指單目標跟蹤。
通常的做法是：
1.在第1幀給一個bbox框住需要跟蹤的物體。
2.在不借助重檢測（re-detection）的情況下，盡可能長時間的跟住物體。
3.不能使用依賴外部特征的姿態估計（pose estimation）。
當然這是針對目標跟蹤算法的要求，至於實際產品中，對象的重檢測以及依賴外部特征的姿態估計都是必不可少的。
比如，自動駕駛領域的車輛跟蹤，一般都會針對車輛的運動特點建立模型，以輔助目標跟蹤。
點跟蹤：在連續幀中檢測到的目標被表達為點。這種方法需要引入其它方法來進行目標檢測。
核跟蹤：關聯與目標的形狀和外觀表達。核函數可以是關聯與一個直方圖的矩形或橢圓模板。目標通過在連續幀中計算核的運動來跟蹤。運動可以是參數形式的平移、旋轉或仿射等。
輪廓跟蹤：由在每幀中估計目標區域進行跟蹤。輪廓跟蹤方法用到的信息可以是外觀密度和形狀模型。給定目標模型，輪廓由形狀匹配或輪廓推導得到。這些方法都可以視作時域上的目標分割。
按照是否依賴先驗知識可分為兩類
1.不依賴於先驗知識，直接從圖像序列中檢測到運動目標，並進行目標識別，最終跟蹤感興趣的運動目標；
2.依賴於目標的先驗知識，首先為運動目標建模，然后在圖像序列中實時找到相匹配的運動目標。
按照攝像機是否固定，可分為：
1.靜態背景。
2.運動場。攝像機的運動形式可以分為兩種：a)攝像機的支架固定，但攝像機可以偏轉、俯仰以及縮放; b)將攝像機裝在某個移動的載體上。
經典的目標跟蹤算法主要有：meanshift、camshift、Kalman filter、particle filter、Optical flow、TLD、KCF、Struck等。
參考：
https://blog.csdn.net/app_12062011/article/details/48436959
目標跟蹤算法的分類（一）
https://blog.csdn.net/app_12062011/article/details/51760256
目標跟蹤算法的分類（二）
https://blog.csdn.net/app_12062011/article/details/52277537
目標跟蹤算法的分類（三）
參考
https://antkillerfarm.github.io/graphics/2018/07/29/graphics_8.html
meanshif 介紹
https://www.zhihu.com/question/26493945
計算機視覺中，目前有哪些經典的目標跟蹤算法？
https://mp.weixin.qq.com/s/Wz-loMz1oOlxtm10gazQRg
目標檢測（Object Detection）和目標跟蹤（Object Tracking）的區別