我遵循的步骤：
通过这两个步骤，我可以在视频中所有移动的汽车上绘制轮廓。但是如何跟踪轮廓以计算视频中的汽车数量？
我搜索了一下，似乎有不同的技术，如卡尔曼滤波器、Lucas Kannade 和光流……但我不知道我的用例应该使用哪一种。我正在使用 opencv3-python。
【问题讨论】：
标签： python-3.x image-processing computer-vision opencv3.0
实际上，这似乎是一个普遍的问题，但我要给出一个观点（我自己也有同样的问题，但pointclouds，虽然它可能与你问的不同，I hope it will give you an idea of how to proceed） .
大多数情况下，一旦检测到您的轮廓，跟踪场景中的移动对象涉及 3 个主要步骤：
特征匹配：
这一步是关于detecting features in your object (Frame N) and match it to features of objects in frame (N+1)。检测部分有一些标准的 algorithms and descriptors 可用于 OpenCV（SURF、SIFT、ORB...）以及 Features matching 部分。
卡尔曼滤波器
卡尔曼滤波器用于get an initial prediction (generally by applying a constant velocity model for your objects)。对于轨道的每个出现点，执行对应搜索。如果平均距离高于指定阈值，则应用特征匹配以获得更好的初始估计。
为此，您需要以Kalman filter 可以解决的方式对问题进行建模。
动态映射
运动估计后，the appearance of each track is updated。与标准映射技术相比，动态映射是一种尝试累积静态和动态对象的外观细节的方法。从而改进您的运动估计和跟踪过程。
那里有很多论文，您不妨进一步看看这些论文：
Robust Visual Tracking and Vehicle Classification via Sparse Representation
Motion Estimation from Range Images in Dynamic Outdoor Scenes
Multiple Objects Tracking using CAMshift Algorithm in OpenCV
希望对你有帮助！
【讨论】：