01
课程导论与项目全景
障碍物检测与目标跟踪联动技术概述、应用场景（自动驾驶、安防）、项目整体架构与学习路径。
概览应用
02
环境搭建与工具链准备
Python环境配置、OpenCV、PyTorch/TensorFlow安装、IDE推荐（VS Code/PyCharm）与调试技巧。
环境工具
03
计算机视觉基础
图像表示与色彩空间（RGB、HSV）、图像滤波与边缘检测（Sobel、Canny）、特征点提取（SIFT、ORB）。
滤波特征
04
目标检测基础（上）
滑动窗口与图像金字塔、Haar特征与Adaboost分类器（人脸检测）、HOG特征与SVM（行人检测）。
传统方法HOG
05
目标检测基础（下）
非极大值抑制（NMS）、交并比（IoU）计算、评估指标（mAP、Recall、Precision）。
NMSIoU
06
深度学习目标检测（一）
卷积神经网络（CNN）核心概念（卷积、池化、全连接）、经典CNN架构（AlexNet、VGG、ResNet）。
CNN架构
07
深度学习目标检测（二）
两阶段检测器（Faster R-CNN）原理详解：RPN、ROI Pooling、损失函数。
两阶段RPN
08
深度学习目标检测（三）
单阶段检测器（YOLO v5/v8）原理详解：网格划分、锚框、损失函数、模型推理。
YOLO单阶段
09
深度学习目标检测（四）
单阶段检测器（SSD）原理详解：多尺度特征图、默认框、与YOLO的对比。
SSD多尺度
10
目标跟踪基础
目标跟踪问题定义、跟踪与检测的区别、经典跟踪算法分类（生成式 vs 判别式）。
跟踪分类
11
经典跟踪算法（一）
均值漂移（Mean Shift）与连续自适应均值漂移（CamShift）原理与实现。
Mean ShiftCamShift
12
经典跟踪算法（二）
光流法（Lucas-Kanade）原理与实现、稀疏光流与密集光流。
光流LK
13
经典跟踪算法（三）
相关滤波跟踪（MOSSE、CSK、KCF）原理：循环矩阵、核技巧、快速傅里叶变换。
相关滤波KCF
14
深度学习跟踪（一）
Siamese网络（SiamFC、SiamRPN）原理：孪生网络结构、互相关操作。
SiameseSiamRPN
15
深度学习跟踪（二）
基于检测的跟踪（Tracking-by-Detection）范式：SORT算法详解（卡尔曼滤波、匈牙利算法）。
SORT卡尔曼
16
深度学习跟踪（三）
Deep SORT算法详解：外观特征提取、级联匹配、状态确认与删除。
Deep SORTReID
17
多目标跟踪（MOT）评估
MOT数据集（MOT Challenge）、评估指标（MOTA、IDF1、HOTA）、跟踪结果可视化。
MOT评估
18
检测与跟踪联动（一）
数据关联策略详解：匈牙利算法、贪心算法、网络流算法。
关联匈牙利
19
检测与跟踪联动（二）
运动模型：卡尔曼滤波（预测与更新）、匀速模型与匀加速模型。
运动模型卡尔曼
20
检测与跟踪联动（三）
外观模型：重识别（ReID）特征提取、特征距离度量（余弦距离、欧氏距离）。
ReID度量
21
检测与跟踪联动（四）
实战：基于YOLOv8 + Deep SORT的实时多目标跟踪系统搭建。
YOLOv8Deep SORT
22
检测与跟踪联动（五）
实战：基于CenterTrack的端到端联合检测与跟踪。
CenterTrack端到端
23
检测与跟踪联动（六）
实战：基于FairMOT的联合检测与跟踪（ReID分支与检测分支）。
FairMOT联合
24
性能优化与部署（一）
模型轻量化：剪枝、量化、知识蒸馏。TensorRT加速与ONNX Runtime部署。
轻量化TensorRT
25
性能优化与部署（二）
多线程与异步处理：视频流读取与处理解耦、生产者-消费者模式。
多线程异步
26
性能优化与部署（三）
边缘端部署：Jetson Nano/RK3588环境配置、模型转换与推理优化。
边缘端Jetson
27
高级专题（一）
3D目标检测与跟踪：点云处理基础（PointNet）、BEV视角检测、3D多目标跟踪。
3D点云
28
高级专题（二）
多传感器融合跟踪：相机与雷达/激光雷达融合、时间戳对齐、空间坐标变换。
融合雷达
29
高级专题（三）
基于Transformer的检测与跟踪：DETR、TrackFormer、MOTR原理简介。
TransformerDETR
30
课程总结与未来展望
项目复盘、常见问题FAQ、学习资源推荐、行业趋势（端到端自动驾驶、Occupancy Network）。
总结趋势