《人工智能AI之计算机视觉：从像素到智能》 · 模块三：核心感知（下）——动态、3D与生成（模型进阶） · 第 10 篇
朋友们好。
在前几个模块里，我们一起拆解了 CNN 的引擎零件，也聊透了目标检测（Object Detection）和图像分割（Image Segmentation）如何在 2D 静态照片里“框选”和“描摹”世界。按理说，AI 能认出你是谁、你在哪，这视觉理解的任务就算成了大半。
但当你真正走出实验室，接手真实的产业项目——比如在银行网点监控里盯着一个可疑人员，或者在自动驾驶系统里预测前车的轨迹——你会发现，单靠“检测”这把尺子，根本量不住这个动态的世界。
想象一个场景：在银行 ATM 机的监控里，AI 第一秒还能准确框住那个形迹可疑的目标。可下一秒，人流一晃，目标被旁边路过的人挡住了 0.5 秒，或者他突然一转身走到了阴影里。此时，如果系统告诉你“这是一个新发现的目标”，那么你的安防预警系统本质上就是失效的 。
为什么“盯住一个人”，比“找到一个人”难得多？
今天，我们要冲破静态图片的束缚，启动视觉引擎的“时间维度”，深度拆解目标跟踪（Tracking）的内在逻辑。
动态世界中的“锁定”艺术
一、 破除直觉误区：跟踪不是“反复运行的检测”
在 IT 行业摸爬滚打 30 多年，见过不少 CV 项目在第一版原型时，都想走一条“捷径”：只要我检测跑得够快（比如每秒 30 帧），我把每一帧的框连起来，不就是跟踪吗？
这是我们在工程实战中最大的认知陷阱。
