---
title: "多物件追蹤（Multi-Object Tracking）"
slug: multi-object-tracking
language: zh-TW
source: https://aiterms.tw/terms/multi-object-tracking
updated_at: 2026-07-04
tags: [電腦視覺, 深度學習, 時序分析, AI應用, source:ipas]
ipas_term: true
---

# 多物件追蹤（Multi-Object Tracking）

一種在連續影像中偵測並識別多個移動物件，持續賦予穩定追蹤編號與軌跡預測的電腦視覺分析技術。

## 完整說明

多物件追蹤是一種動態影像處理技術，用於在連續的影片影格中定位多個目標，並維持每個目標的獨特身分與移動軌跡。常見應用包括智慧交通系統的車流分析、體育賽事的球員追蹤以及公共安全的智慧人群監控，幫助系統理解目標的動態行為。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 多物件追蹤中的「身分切換」是什麼意思？

在多物件追蹤系統中，「身分切換」是指系統在追蹤過程中，錯誤地將原本屬於某目標的追蹤編號分配給了另一個目標，或是目標經過遮擋後被系統賦予了全新的編號。這種錯誤通常發生在多個目標外觀相似、距離過近發生交會，或是目標被障礙物長時間遮擋的場景。身分切換次數是評估追蹤演算法穩定性的重要指標，次數越少代表系統維持長期追蹤的能力越強。

### 卡爾曼濾波器在多物件追蹤中扮演什麼角色？

卡爾曼濾波器在多物件追蹤中主要用於目標的運動狀態預測與軌跡平滑化。系統會根據目標過去的位置與速度資訊，建立一個運動學模型。在下一幀影像實際偵測結果出來前，卡爾曼濾波器會預先估計目標可能出現的空間位置。這個預測位置隨後會與實際的偵測框進行比對，協助系統縮小目標匹配的搜尋範圍，並在偵測框偶爾出現雜訊或暫時遺失時，提供穩定的軌跡估計。

### 深度學習如何改善傳統的多物件追蹤演算法？

深度學習大幅提升了多物件追蹤中兩個關鍵環節的效能：目標偵測與特徵提取。現代神經網路能夠在複雜光照與嚴重遮擋下，提供更精準、更具魯棒性的物件偵測框，減少追蹤遺漏。同時，深度度量學習被用於提取目標的高階外觀特徵，這些特徵對姿態變化與視角轉換較不敏感，使得在目標交會或短暫遮擋後的重新辨識變得更加可靠，顯著降低了身分切換的發生率。

---

來源：https://aiterms.tw/terms/multi-object-tracking
快查頁：https://aiterms.tw/terms/multi-object-tracking
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-multi-object-tracking