השמה אובייקטים היא אתגר משותף באובייקט מעקב אחר יישומים, שבו אובייקטים מוסתרים באופן זמני או חפיפה על ידי אובייקטים אחרים. צמת גודש גודש גודש ביעילות משפר את הדיוק ואת יציבות המערכת. כמה שיטות מעשיות משמשים כדי לטפל בבעיה זו ביישומים שונים.

Kalman Filter and Prediction Models

מסננים קלמן משמשים באופן נרחב כדי לחזות את המיקום של אובייקטים במהלך תקופות של השמדה.הם מעריכים את המצב העתידי מבוסס על תצפיות קודמות, ומאפשר לעוקב לשמור על זהות האובייקט גם כאשר נתונים חזותיים אינם זמינים באופן זמני.

שיטות של Data Association

אלגוריתמים של איגוד נתונים, כגון האלגוריתם ההונגרי או התאמה חמדנית, מסייעים לעמית לזהות חפצים על פני מסגרות.במהלך השמדה, אלגוריתמים אלה מסתמכים על קרבה מרחבית, מודלים בתנועה ותכונות המראה כדי להתאים את עצמם כראוי ברגע שהם מופיעים מחדש.

מודל

מודלים של הופעת מנתחים תכונות חזותיות כמו צבע, מרקם או צורה כדי להבחין אובייקטים.כאשר מתרחשת אומצון, מודלים אלה מסייעים בזיהוי עצמים לאחר שהם reemerge, צמצום מתגי זהות וטעויות מעקב.

אסטרטגיות מרובות-Object Tracking אסטרטגיות

באמצעות חיישנים מרובים או זוויות מצלמה יכול להפחית את ההשפעות של השמדה. Multi-view מעקב משלב נתונים מנקודות מבט שונות, צמצום הסבירות של השמדה שלמה ושיפור האמינות המעקב הכוללת.