❶ 計算機視覺中，目前有哪些經典的目標跟蹤演算法
古老的方法比如optical flow，kalman filter(後面的particle filter)……了解不多不瞎扯了
目前tracking主要是兩種，discriminative 和 generative，當然也有combine兩個的比如SCM。你提到的都是前者，就是演算法裡面基本有一個classifier可以分辨要追蹤的物體。這類除了你說的最近比較火的還有速度極占優勢的CSK（後來進化成KCF/DCF了）
另一種generative的方法，大致就是用模版（或者sparse code）抽一堆feature，按距離函數來匹配。L1，ASLA，LOT，MTT都是。
最近才開始了解tracking，所以說得可能並不是很對，僅供參考
❷ 光流法（optical flow methods）
光流法，即光學流，是計算機視覺中的關鍵技術，用於估計視頻幀中像素隨時間的變化，通常用於物體運動追蹤和場景自運動分析。其核心是尋找圖像中像素在連續幀之間的位移。
Lucas-Kanade方法是稀疏光流估計的經典演算法，它基於亮度不變性和鄰域光流相似性假設，通過最小化局部匹配誤差求解光流。該演算法利用角點檢測（如Harris角點）來處理可逆像素，避免孔徑問題。OpenCV中的cv.calcOpticalFlowPyrLK函數實現了這一過程，常用於特徵點的追蹤。
對於稠密光流，如Farneback演算法，它通過多項式擬合鄰域像素來提供更全面的像素級運動估計。OpenCV的cv2.calcOpticalFlowFarneback函數提供了稠密光流的計算，輸出每個像素的位移，常用於圖像穩定、視頻處理等領域。
深度學習在光流估計中也有所貢獻，如FlowNet/FlowNet2.0，這些神經網路模型如ICCV2015的FlowNet，通過端到端的學習直接預測光流，極大提升了估計精度。FlowNet2.0作為改進版，不僅性能優秀，且具有更快的計算速度，適用於實時應用。
光流在實際應用中廣泛，如視頻對象跟蹤（如TLD演算法）、視覺里程計（如VINS-Mono）和動作識別、視頻插幀等，它通過像素級的運動信息，增強了視頻內容的理解和處理能力。