01
目标关联算法概述
什么是目标关联、应用场景（自动驾驶、安防监控）、算法评价指标（MOTA、IDF1、MT/ML）。
基础评价指标
02
数据关联基础
匈牙利算法原理、KM算法、分配问题的数学建模。
数学分配
03
卡尔曼滤波入门
状态空间模型、预测与更新步骤、协方差矩阵的意义。
滤波状态估计
04
卡尔曼滤波实战
Python实现单目标跟踪、参数调优（Q、R矩阵）。
Python调优
05
扩展卡尔曼滤波（EKF）
非线性系统建模、雅可比矩阵计算、EKF在雷达跟踪中的应用。
非线性雷达
06
无迹卡尔曼滤波（UKF）
UT变换、Sigma点选取、UKF vs EKF对比。
UT变换对比
07
粒子滤波（PF）
重要性采样、重采样策略、粒子退化问题。
粒子采样
08
IOU匹配与贪心策略
基于IOU的简单关联、贪心算法的优缺点、代码实现。
IOU贪心
09
SORT算法详解
SORT核心流程（检测+卡尔曼+匈牙利）、SORT代码逐行解析。
经典在线
10
DeepSORT算法
外观特征提取（ReID）、级联匹配策略、马氏距离与余弦距离融合。
ReID级联
11
ByteTrack算法
低分检测框利用、BYTE数据关联策略、代码实战。
低分高效
12
OC-SORT算法
观测中心性、平滑插值、处理遮挡与非线性运动。
遮挡鲁棒
13
BoT-SORT算法
相机运动补偿、改进的卡尔曼滤波、与ByteTrack的融合。
运动补偿融合
14
FairMOT算法
Anchor-Free检测、ReID特征共享、损失函数设计。
Anchor-Free多任务
15
CenterTrack算法
基于中心点的跟踪、时间偏移预测、端到端训练。
中心点端到端
16
TransTrack算法
Transformer架构、Query机制、运动特征与外观特征交互。
TransformerQuery
17
MOTR算法
端到端Transformer跟踪、Track Query更新机制。
端到端Track Query
18
特征提取与度量学习
Triplet Loss、Cross-Entropy Loss、特征归一化。
度量学习损失
19
运动模型对比
匀速模型、匀加速模型、CTRV模型、CTRA模型。
运动模型对比
20
数据关联中的门控技术
马氏距离门控、欧氏距离门控、自适应门控。
门控自适应
21
轨迹管理策略
轨迹初始化、轨迹确认、轨迹消亡、ID切换优化。
轨迹ID管理
22
遮挡处理技术
遮挡检测、轨迹预测、外观特征缓存、重识别机制。
遮挡重识别
23
多传感器融合关联
雷达-视觉融合、激光雷达-视觉融合、时空对齐。
融合雷达
24
3D目标关联
BEV空间关联、3D IoU计算、3D卡尔曼滤波。
3DBEV
25
性能评估与可视化
MOTChallenge评测工具、可视化工具（TrackEval、MOTMetrics）。
评测可视化
26
算法加速与部署
ONNX导出、TensorRT优化、C++部署实战。
部署TensorRT
27
超参数调优
检测阈值、关联阈值、生命周期参数、网格搜索与贝叶斯优化。
调优贝叶斯
28
常见问题与避坑
ID频繁切换、轨迹碎片化、漏检处理、误检抑制。
经验避坑
29
实战项目：行人/车辆跟踪
行人跟踪系统（MOT17数据集）、车辆跟踪系统（BDD100K数据集）。
实战MOT17
30
前沿趋势与未来方向
基于Transformer的端到端跟踪、大模型在MOT中的应用、开放世界跟踪。
前沿大模型