如何关联前后两次检测的物体是同一个物体，当检测器本身就不太靠谱的时候。
前段时间斗胆做了做本科的时候想做，但是一直没做的基于差分的轨迹判别。期间遇到的问题是，如何判断前后两次检测的若干个物体间的对应关系，即t-1帧图像的物体i和t帧的哪个物体对应。这个问题再本质一些，就是在说，用什么样的标准判断集合A和集合B中元素的对应关系。候选的判断标准有两种：
1、距离类
2、相似度类
基于距离的判别。基本假设是稳定检测的物体不会凭空消失。基于这种假设，计算集合A和B之间的任意元素间的距离，对于集合A中的每个元素ai，求出其在集合B中的距离最近的元素bj。存在的问题是，可能存在多个多对一的匹配结果，即集合B中的元素bk可能同时与A中的多个元素匹配。
基于相似度的判别。基本假设是物体的某些特征比较稳定，不会发生剧烈变化。计算集合A和B之间任意元素间的基于某特征的相似度，对于集合A中的每个元素ai，求出其在集合B中的相似度最高的元素bj。
先进行距离判别，再进行相似度判别，可以保证一定的精度。即使进行了双重保证，实验中还是暴露出来了不少问题。最关键的是，监测器的性能不是很稳定。检测器会漏检，即该是车的没被检测出来；检测器会误检，即本来不是车的被检测成了车。重新描述一下要解决的问题就是，用什么样的标准判断含有噪声/缺失数据的集合A和B中元素的对应关系。
处理上述问题的一些思路，首先确定误检率和漏检率。对于漏检，可以使用速度估计，特征模板估计，在当前集合B数据缺失的情况下完成和集合A的匹配。对于误检，使用小概率事件重复发生次数进行判断，如果一次检测是误检，该误检不会持续出现多次；反之，如果出现多次，那么这肯定不是巧合，而是必然。同样的，对于漏检一次是可以的，如果漏检次数过多，则可以判定匹配失效了，即集合A中的某元素出场了。对应的场景有，车开出监控区域了，或者是躲在了监控区域内的某个物体后面。
分析到这里，我们发现对付数据缺失和噪声，最好的办法是基于既有数据进行推理，推理的基本依据是小概率事件频发的解释。
虽然，目前基本问题解决了，但是在匹配上还是存在一些问题，比如在室外条件下使用颜色作为特征基本没有。在低分辨率的视频源上如何有效提取特征信息进行检测也是问题。面对工程问题，没有一个方法可以解决全部的问题，因为方法本身有它的基本假设，是对真实场景的合理简化，但不是真实场景。对于科学问题，要在迭代过程中，尽量抽象出工程问题的本质，然后用科学的方法对其进行研究，找到解决方案，进行检验，总结尚不能解决的问题的原因，进行下一轮的迭代。
解决问题的过程，是一个迭代的过程，也是加深对问题理解的过程，因此不能拒绝粗大误差，不能拒绝不好的数据，往往问题就在其中，学术前沿就在其中。