这篇博客将介绍如何使用Python，dlib执行对象跟踪。即通过dlib的相关跟踪器来实时跟踪视频流中的对象。
与July的质心跟踪（Centroid Tracking）不同，dlib的对象跟踪算法可以利用从输入RGB图像收集的信息进行自我更新——该算法不需要为输入视频流中的每一帧计算一组边界框。并且dlib的相关跟踪算法非常健壮，能够实时运行。
然而，最大的缺点是如果视点发生实质性变化或要跟踪的对象被遮挡，相关跟踪器可能会变得“混乱”，并丢失希望跟踪的对象。
在这些场景中，可以重新运行（计算成本很高的）对象检测器，以重新确定跟踪对象的位置来优化。
追踪对象的方法有：
质心跟踪，这是一种简单但有效的方法，1）为图像中的每个对象分配唯一的ID，然后2）在视频流中移动时跟踪每个对象和相关ID。
这种目标跟踪算法的最大缺点是，必须在每个输入帧上运行单独的目标检测器——在大多数情况下，这种行为是不可取的，因为目标检测器（包括HOG+线性SVM、更快的R-CNN和SSD）的运行计算成本可能会很高。
执行一次目标检测（或每N帧一次），然后应用一种专用的跟踪算法，可以在后续帧中移动时保持对对象的跟踪，而无需执行对象检测。
方法2可行，并且可以使用dlib的相关跟踪算法实现。
correlation-based object tracking 基于相关性的对象追踪
correlation tracker 相关性追踪器
Accurate Scale Estimation for Robust Visual Tracking 鲁棒视觉跟踪的精