你是否好奇过，人类的机器（飞船、导弹、鱼雷）是怎么“看”到目标的？是像吃鸡中那样用“眼睛”瞄目标么？最初的机器是这样看世界的，可从阿波罗飞船开始，借助一些新奇的“眼睛”，人类开始看到了一个又一个不一样的世界。机器的眼睛，就是目标跟踪算法。
算法是怎么回事？为了关爱没学过算法的朋友，我们将用故事《追狗，从入门到精通》来说明。追狗入门篇：“瞄”哪打哪——尾追法。
如果你要提着菜刀去收拾一条刚拆完家的二哈，你会采取什么方法追上它呢？大概会是这样的策略：(1) 你用眼睛看它在什么位置，你就朝向它跑；(2) 如果它也在动，你每隔一段时间，根据它最新的位置，调整自己的方向；(3) 如果它跑步是有规律的，例如匀速直线地朝狗窝跑，你还可以直接到它的必经之路去堵它；(4) 如果你俩一直在靠近，当某项数值（追狗这件事是看距离）低于预先设定好的指标，直接扑过去或者扔菜刀。
你用来追杀凶狗的算法，曾经被人类用在了最初的导弹、鱼雷上，这就是目标跟踪中最简单的“尾追法”。
追狗提高篇：已知狗的路线——Kalman滤波器。随着技术的进步，对目标跟踪精度的要求越来越高，尤其是在航空航天领域，例如在太空执行任务，几厘米的差距就可能会造成严重的后果。这里有个问题，看到了就是看到了，怎么还有精度这一说法？
实际上，任何量测都有误差，且误差还是随机数，我们只可能知道误差的概率分布，却不知道误差具体的值。例如，你突然想起平日里买狗粮，包装袋上写着“10kg±500g”，就是在讲：一袋狗粮重10kg，但由于各种因素，实际可能刚够，也可能少了若干g，也可能多若干g，但多与少都不会大于500g。同时，目标运动也是有噪声的，通常把这个误差叫过程噪声。
若已知狗的潜逃路线以及过程噪声和量测噪声的概率分布，那么就可以改进追狗的算法。
追狗进阶篇：出现好多狗——数据关联。道高一尺，狗高一丈，二哈邪魅一笑，叫来了自己的兄弟姐妹用来迷惑我们，该怎么办？这里就要涉及到数据关联。可以这样做，由于你知道“凶手”是做匀速直线运动，可以预测它下一时刻的位置，那么可以认为：距离这个预测的位置越近，凶手的可能性越大；反之越小。最简单的方法就是“找最近”，即将最近的量测作为正确量测。但不太可靠，因为这种数据关联算法把其余嫌疑狗直接排除。
追狗精通篇：如果狗子太狡猾——交互多模型。经典的Kalman滤波器认为，目标的运动模型已知，然而实际中这一假设难以保障，尤其是狗子经常改变运动模型时。若已知二哈在有限个运动模型中运动，不难想象，量测与正确模型下的预测间距最短，因此可以用这一距离来量化各模型正确的概率，再用模型概率对各模型下的Kalman滤波估计进行加权。
“追狗”这门学科的前沿。以数据关联为核心的经典跟踪算法，也有其局限性，包括计算量随量测和目标数呈现指数型增长，需要已知目标的个数等。目标跟踪的研究历史久远，但又在不断地涌现新的方法。例如用机器学习、稀疏表示等。然而上述跟踪算法都是“自下而上”被设计出的，即符合人类的直观逻辑。目前人类最为前沿的跟踪理论，是基于随机有限集的各种滤波器。