在计算机视觉的应用中，“识别”只是一个相当入门的技术，相信很多人在执行深度学习推理应用中，经常产生的质疑就是“
识别出的类别，有什么用途呢
”？
确认每一帧图像中有多少个我们想要识别的种类，以及他们在图像中的位置，只是整个应用的第一步而已，如果缺乏“
目标追踪（tracking）
”的能力，就很难提供视频分析的基础功能。
在标准 OpenCV 体系里有 8 种主流的目标追踪算法，有兴趣的可以在网上搜索并自行研究。
算法的基本逻辑就是需要对视频的相邻帧进行“类别”与“位置”的比对，因此这部分的计算还是相当消耗计算资源的，也就是当视频分析软件“开启”目标追踪功能时，其识别性能必定有所下降，大家必须先有这样的认知。
DeepStream 的定位就是针对“视频分析”的应用，因此“目标追踪”是其最基本的功能之一。
在前面使用的 myNano.txt 配置文件中，只需要调整一个设定值就能开启或关闭这个追踪功能，非常简单。
DeepStream 支持 IOU、KLT 与 NVDCF 三种目标追踪算法（如下图），其中 IOU 的性能最好，在 Jetson Nano 2GB 上的总体大约能到 200FPS；NVDCF 的精确度最高，但目前性能大约只能到 56FPS；KLT 算法目前在性能与精确度的平衡比较好，总体性也能到 160FPS，因此通常都选择 KLT 追踪器做演示。
算法的细节不多做解释，请自行寻找相关技术文件学习，这里就直接进入实验的过程。还是以前一篇文章中的 myNano.txt 配置文件为主，如果不知道的话，就用
source8_1080p_dec_infer-resnet_tracker_tiled_display_fp16_nano.txt
复制一份出来就可以，透过修改里面的参数，让大家体验一下 DeepStream 目标追踪的功能。
在 myNano.txt 最下方，可以看到
[tracker]
的设定组，下面有个“
enable=1
”的参数，就是目标追踪的功能。
现在先执行一次启动追踪功能，如下图可以看到每个识别出的物件除了类别、标框之外，旁边还有个编号，
这个编号会一直跟着该物件
，这样就形成“追踪”的功能。
此时的识别性能如下图，总性能（8 个数字相加）大约 160FPS。
如果将
[trakcer]
下面改成 “enable=0”，再执行看看结果如何？下图中能识别出物件的类别与标框位置，但是已经没有编号。
关闭追踪功能之后的识别性能如下图，总识别性能可以达到 250FPS 左右。
前面说过，目前 DeepStream 5.0 支持三种追踪器，那么要如何选择呢？同样在[tracker]参数组下方，有这样的三行参数：
|
#ll-lib-file=/opt/nvidia/deepstream/deepstream-5.0/lib/libnvds_mot_iou.so
#ll-lib-file=/opt/nvidia/deepstream/deepstream-5.0/lib/libnvds_nvdcf.so
ll-lib-file=/opt/nvidia/deepstream/deepstream-5.0/lib/libnvds_mot_klt.so
|
前面加上
“#”
号的就是处于关闭的状况，请先将
[tracker]
切回 “
enable=1
” 的开启状态，接下来请自行加减“#”的位置以切换追踪器的选择，分别测试这三个追踪器的不同之处，包括识别性能与追踪能力。
这部分必须直接在视频中体验，因此就不截屏显示。测试结果可以感受到 IOU 追踪器的性能最好，可达到 200FPS 左右，但是同一物件的编号并不是太稳定，而 NVDCF 追踪器的编号最为稳定，但性能大概只有 IOU 的 1/4，最多只能承受 2 路视频的实时分析。
KLT 算法总体性能可达到 160FPS，可以支持到8路以内的实时识别，追踪能力也比 IOU 好不少，不过这个算法对 CPU 的占用率比较高，是这个算法的主要缺点。该如何选择需要看实际的场景与计算设备的资源而定。
前面打开目标追踪功能的目的，并不只是为了在显示器上看看而已，而是用这些数据做更有价值的应用，而这些数据要从什么地方得到呢？通常都需要透过 Python 或 C++从 DeepStream 提供的接口去获取。
这里提供一个无需了解 DeepStream 接口就能获取目标追踪数据的方法，只要我们在 myNano.txt 里面的
[application]
参数组，添加一条 “
kitti-track-output-dir=
”的路径指向就可以，这里假设要将数据存入“/home/nvidia/track” 路径下，在 myNano.txt 里添加一行参数即可：
