Online Tracking :
Using a few samples to train the tracker during the run time. With such condition, we are searching the solutions to gurantee the precision of the online tracking algorithms.
1.Boost tracker
online version of AdaBoost
正样本：初始帧中人为框定的区域（或由其他目标检测算法标注出来的）
负样本：初始帧中除了框定区域外的所有部分
在跟踪时进行在线学习。随着视频帧数的增加，训练样本越来越多，跟踪器越来越成熟。
特点：早期方法，追踪效果一般。在物体跟丢时无法检测到。
2. MIL (Multiple Instance Learning)
和boost tracker相比，正样本不只选择框定的区域内部，还把周围的一小圈临近区域加入，构成“positive bags”，这样的BAG中可能只有一个区域是完全将目标框准的。直观上可以想到，通过关注目标的临近区域，那么在发生遮挡时，跟踪器对遮挡物的理解力会增强，即该算法显著提高了遮挡时的追踪准确率。不过当目标物体全部被遮挡时，该算法还是难以检测。在KCF没发明之前，该算法较为常用。
3.KCF (Kernelized Correlation Filters)
该算法观察到，在MIL的正样本组中，有许多重合的区域，于是它对这些重合区域进一步提取特征，从而提高了之后对目标预测的准确性和速度。但是该算法依然没法应对全遮挡的情况。
4.TLD (Tracking, learning and detection)
“The tracker follows the object from frame to frame. The detector localizes all appearances that have been observed so far and corrects the tracker if necessary. The learning estimates detector’s errors and updates it to avoid these errors in the future.”
优点：若不发生缺点中的情况，即整个图像中只有一个主体，那么可以很好克服全遮挡的问题。尺寸变化的影响对它来说也不在话下。
缺点：追踪目标可能会发生转移。例如一个街道监控视频中有多个行人，那么本来要追踪A的追踪器，追到后面有可能会追踪到A身边的B。由于这点，这个方法并不常用。
5. MEDIANFLOW Tracker
这个算法比较聪明。别的算法都是看前一帧目标在哪，然后预测下一帧目标大概在哪。这个算法清楚自己可以获得一整个视频，而视频的特点就是时间线上的连贯性，那么它不去做运动轨迹的预测，它直接把要预测那一帧的前一帧和后一帧进行对比，看看区别在哪，然后填上中间该有的过程，就这样完成了对当前帧的预测。真是个小机灵鬼啊~然而这种算法只适用于比较老实的目标，即速度和方向相对稳定。这种算法还有个特点就是对自己的跟踪情况清楚得很，错误报告很及时，不像某些算法自己错了都不知道（hhhh)。当然它的缺点也显而易见，无法跟踪变化较大、变化速度大的情况。
6. GOTURN tracker
这是本文介绍到现在，唯一一个使用CNN（卷积神经网络）的跟踪选手！它对形变、光线、视角变化都很有效，但是对遮挡不大在行。
7. Minimum Output Sum of Squared Error (MOSSE)
关键词：自适应相关滤波（adaptive correlation filter），快（操作简单，效率高），准（但还是比不过深度学习算法大亨），狠（？）
8. Discriminative Correlation Filter with Channel and Spatial Reliability (DCF-CSR)
特点：慢，但是人家准确率高啊
（具体细节之后章节中展开讲）
Refference
https://www.learnopencv.com/object-tracking-using-opencv-cpp-python/