Trasovanie objektu vo videozázname je častá úloha počítačového videnia. Problém generického trasovania spočíva v tom, že sa v zábere videa nachádza nejaký vopred neznámy objekt a v každom snímku videa chceme vedieť pozíciu, resp. zaznamenať trajektóriu objektu pri jeho pohybe v zábere. Využitie trasovania v praxi možno nájsť v bezpečnostných systémoch, vojenských navádzacích systémoch, dopravných monitorovacích zariadeniach, pri štatistických meraniach a dnes už vo veľkom aj v autonómnych vozidlách. V súčasnosti existujú rôzne prístupy a desiatky rozličných metód zaoberajúcich sa touto problematikou a jedným z cieľov práce bolo preskúmanie a porovnanie týchto metód. Trasovací algoritmus totiž musí počas behu čeliť mnohým výzvam. Problémy môže spôsobiť najmä prekrývanie trasovaného objektu s okolitými objektami alebo s pozadím, splývanie s inými objektami alebo s pozadím, zmena tvaru či vzhľadu sledovaného objektu, náhly a nepredvídateľný pohyb, atď. Vykonali sme preto porovnanie vybraných metód s cieľom zistiť ako si vedia s týmito situáciami poradiť. Stručne sme preskúmali princípy, ktoré metódy používajú pri trasovaní, potom sme zvolili metriky, dataset, vytvorili sme testovací nástroj na vyhodnotenie metrík a následne sme vykonali vlastné testy. Na základe ich výsledkov sme dospeli k záveru, že zrejme najväčší potenciál pri riešení problému trasovania sa nachádza v neurónových sieťach, ktoré dokážu priniesť nadpriemerné výsledky v naozaj krátkom čase. Následne sme najlepšiu metódu podľa našich testov aplikovali na praktické úlohy z oblasti dopravných videí, konkrétne trasovanie dopravných značiek v kamere z auta a trasovanie áut prechádzajúcich cez križovatku. Vzhľadom na to, že sme prešli na úlohu trasovania viacerých objektov, museli sme metódu príslušne upraviť. Keďže tu ale daná metóda dobre nefungovala, pokúsili sme sa ju vylepšiť s použitím externého detektora. Aj keď sme tak výsledky tejto metódy nezlepšili, vytvorili sme popri tom vlastnú trasovaciu metódu, ktorá funguje na princípe spájania detekcií a vie na vybraných úlohách dosiahnuť uspokojivé výsledky.

Object tracking in video sequence is a common task of computer vision. Problem of generic object tracking is following: There is in advance unknown object in a video scene and our task is to keep its position during sequence, respectively keep object`s trajectory while it is moving within a video scene. We can find practical applications of object tracking in security monitoring systems, military guidance systems, video surveillance systems, statistical measurements, and nowadays it’s also widespread in autonomous vehicles. Currently there are various approaches and tens of algorithms that are dealing with this problem, one of the main goals of this thesis was to compare and review these methods. Tracking algorithms namely have to face number of challenges. Problems might arise while the tracked object is occluded by other objects or by background scene, merging with other objects or background, deformation of the object, other visual changes or sudden unpredictable movement etc. Therefore we conducted a comparison of selected methods to find out how do they deal with these challenges. We briefly looked through principles which are used by tracking algorithms, then we proposed metrics, testing dataset, we implemented testing tool for metrics evaluation and consequently we performed our tests. During review and testing, we identified one big potential for object tracking. It`s hidden in neural networks, which can bring excellent results in very short time. Considering tests’ results, we chose the best method, which we subsequently used for practical applications on traffic videos. First of them was tracking traffic signs in a sequence recorded by camera placed at the car`s front window, the second was tracking vehicles at the crossroads. As our task evolved from single object tracking to multi object tracking, we had to modify the chosen method. However, the method did not work well at these tasks, so we tried to improve it using external detector. Although this way we did not improve the results of the original tracking method, we created our own tracking method, which is based on detection joining and it can bring satisfying results in selected tasks.