如何關聯前後兩次檢測的物體是同一個物體，當檢測器本身就不太靠譜的時候。
前段時間斗膽做了做本科的時候想做，但是一直沒做的基於差分的軌跡判別。期間遇到的問題是，如何判斷前後兩次檢測的若干個物體間的對應關係，即t-1幀圖像的物體i和t幀的哪個物體對應。這個問題再本質一些，就是在說，用什麼樣的標準判斷集合A和集合B中元素的對應關係。候選的判斷標準有兩種：
1、距離類
2、相似度類
基於距離的判別。基本假設是穩定檢測的物體不會憑空消失。基於這種假設，計算集合A和B之間的任意元素間的距離，對於集合A中的每個元素ai，求出其在集合B中的距離最近的元素bj。存在的問題是，可能存在多個多對一的匹配結果，即集合B中的元素bk可能同時與A中的多個元素匹配。
基於相似度的判別。基本假設是物體的某些特徵比較穩定，不會發生劇烈變化。計算集合A和B之間任意元素間的基於某特徵的相似度，對於集合A中的每個元素ai，求出其在集合B中的相似度最高的元素bj。
先進行距離判別，再進行相似度判別，可以保證一定的精度。即使進行了雙重保證，實驗中還是暴露出來了不少問題。最關鍵的是，監測器的性能不是很穩定。檢測器會漏檢，即該是車的沒被檢測出來；檢測器會誤檢，即本來不是車的被檢測成了車。重新描述一下要解決的問題就是，用什麼樣的標準判斷含有噪聲/缺失數據的集合A和B中元素的對應關係。
處理上述問題的一些思路，首先確定誤檢率和漏檢率。對於漏檢，可以使用速度估計，特徵模板估計，在當前集合B數據缺失的情況下完成和集合A的匹配。對於誤檢，使用小概率事件重複發生次數進行判斷，如果一次檢測是誤檢，該誤檢不會持續出現多次；反之，如果出現多次，那麼這肯定不是巧合，而是必然。同樣的，對於漏檢一次是可以的，如果漏檢次數過多，則可以判定匹配失效了，即集合A中的某元素出場了。對應的場景有，車開出監控區域了，或者是躲在了監控區域內的某個物體後面。
分析到這裏，我們發現對付數據缺失和噪聲，最好的辦法是基於既有數據進行推理，推理的基本依據是小概率事件頻發的解釋。
雖然，目前基本問題解決了，但是在匹配上還是存在一些問題，比如在室外條件下使用顏色作爲特徵基本沒有。在低分辨率的視頻源上如何有效提取特徵信息進行檢測也是問題。面對工程問題，沒有一個方法可以解決全部的問題，因爲方法本身有它的基本假設，是對真實場景的合理簡化，但不是真實場景。對於科學問題，要在迭代過程中，儘量抽象出工程問題的本質，然後用科學的方法對其進行研究，找到解決方案，進行檢驗，總結尚不能解決的問題的原因，進行下一輪的迭代。
解決問題的過程，是一個迭代的過程，也是加深對問題理解的過程，因此不能拒絕粗大誤差，不能拒絕不好的數據，往往問題就在其中，學術前沿就在其中。