前面看到OpenCV自带的基于CNN算法NanoTrack、DasiamRPN和基于Transformer的算法VitTrack跟踪效果和实时性都不错，想再基于比较经典的KCF单目标跟踪算法进行测试及改进。发现OpenCV已经将KCF算法进行了抛弃？OpenCV 5.0 决定全面清空并彻底不再保留 KCF 和 CSRT 跟踪算法，其根本原因主要如下：
1）算法陷入"技术停滞（Stagnation）"与维护断代
在官方白皮书中，直言不讳地指出这些传统的经典相关滤波算法（Classical CV Trackers）在 opencv_contrib 扩展库中已经陷入了长达数年的技术停滞（Stagnation）。KCF 诞生于 2014 年，CSRT 诞生于 2017 年。在计算机视觉领域，它们已经属于"古老"的算法。长期以来，社区几乎没有开发者再为 KCF/CSRT 提交核心性能优化或功能更新，而仅仅是做一些零星的编译报错维护。官方认为不应该再花费核心精力去维护这些历史包袱，决定在 5.0 版本中进行毁灭性的断代清理。
2）2. OpenCV 5.0 核心战略：全面转向深度学习跟踪（DL-based）
OpenCV 5.0 的核心宗旨之一是重构 DNN（深度神经网络）推理引擎，并确立了"以深度学习为核心"的视觉处理路线。官方希望统一跟踪器的 API，让其原生支持并全面倒向基于深度学习的轻量化跟踪模型（如 NanoTrack、DaSiamRPN、VitTrack 等）。现代深度学习跟踪器在处理完全遮挡后重新寻回、多目标交叉干扰、剧烈形变等复杂场景时的表现，已经断代式地超越了传统的 KCF 和 CSRT（KCF 无法应对完全遮挡，CSRT 容易在遮挡时发生漂移附着到背景上）。
3）"检测+匹配（Tracking-by-Detection）"工业架构的兴起
在现代工业和工程落地中，"单独运行一个传统 Tracker 算法"的纯追踪模式已经极少被作为最优解使用。随着 NCNN、TensorRT、MNN 等轻量化端侧推理框架的成熟，像 YOLO 系列这样的目标检测网络已经被压榨到了极低的能耗与极高的帧率。当"每一帧或隔帧运行轻量检测网络（Detector）"+"数据关联层质心匹配（Data Association）"的方案（例如 ByteTrack、SORT 架构）在算力和速度上已经不输 KCF 时，传统的 KCF、CSRT 独立滤波追踪器的工程存在价值被严重稀释。
4）彻底清洗代码库，追求核心库的"轻量化"
OpenCV 5.0 经历了大幅度的底层重构：
（1）剔除了所有旧版的 C 语言冗余 API（OE-1 提案）。
（2）强制将底层升级至 C++17 标准。
（3）为了将 OpenCV 核心库瘦身，使其能更方便地嵌入到边缘端 SoC、移动端和工业微型设备中，官方将这些包含大量复杂频域变换（FFT 快速傅里叶变换，如 KCF）和复杂空间可靠性矩阵计算（如 CSRT）的庞大传统代码彻底从主分支中裁剪剥离。