要在视频中追踪已检测到的物体，您需要一种方法来保持物体在不同帧中的一致身份。 这个过程称为物体追踪，它依赖于关联连续帧中的检测结果并更新它们的位置。 关键步骤包括初始化检测到的物体的轨迹，预测它们未来的位置（使用运动模型），并将新的检测结果与现有的轨迹进行匹配。 这确保了即使物体移动、遮挡或暂时离开画面，每个物体都能保留一个唯一的 ID。 例如，如果在第 1 帧中检测到一辆汽车，追踪器会为其分配一个 ID，并通过将新的检测结果链接到同一个 ID 来更新其在第 2 帧中的位置，即使汽车的外观略有变化。
常用的追踪算法包括卡尔曼滤波器和匈牙利算法。 卡尔曼滤波器根据物体当前的 velocity 和运动模式预测其下一个位置，这有助于处理临时遮挡。 匈牙利算法通过求解成本矩阵将当前帧中检测到的物体与现有轨迹进行匹配，其中较低的成本表示更强的匹配。 例如，如果在相邻帧中检测到两辆汽车，该算法会计算它们边界框之间的距离并分配最接近的匹配项。 更高级的方法（如 SORT (Simple Online and Realtime Tracking)）结合了这些技术，使用卡尔曼滤波器进行预测，并使用匈牙利算法进行数据关联。 基于深度学习的追踪器，如 DeepSORT，添加了外观描述符（例如，神经网络嵌入）以提高物体看起来相似时的匹配准确性。
要实现追踪，请首先使用 YOLO 或 Faster R-CNN 等检测框架为每帧生成边界框。 然后，使用 OpenCV（带有内置追踪器，如 KCF 或 CSRT）等追踪库，或使用 Python 的 Dlib 库中的 tracker 模块等专用工具包。 对于多物体场景，集成 SORT 或 DeepSORT，它们旨在处理 ID 分配和遮挡。 例如，使用 DeepSORT，您首先在每帧上运行检测器，从边界框中提取外观特征，然后使用运动和特征相似度将它们与现有轨迹进行匹配。 挑战包括处理快速运动（这可能会破坏卡尔曼预测）和计算效率——诸如将特征提取限制在感兴趣区域等优化可以提供帮助。 使用 MOTChallenge 等公共数据集进行测试可以验证 IDF1（识别准确性）和 MOTA（多物体追踪准确性）等性能指标。