Identifying and tracking moving objects in videos is a fundamental challenge in computer vision. Although extensively studied, practical applications, especially in fields like surveying, lack focused research on tracking system performance. This study empirically compares three estimation filter-based trackers, Kalman Filter-Based Nearest-Neighbor (NN), Joint Probability Data Association Tracking (JPDA), and Gaussian Mixture Probability Hypothesis Density (GMPHD) Tracking, specifically for scenarios that include surveyor prism tracking. Simulated and real captured videos representing traffic, vegetation occlusion, and prism cluttering were analyzed to assess tracker performance in emulated real-world surveying scenarios, where precise prism tracking is crucial for efficient data collection. The results showed a similar tracking precision of 4 pixels for all three algorithms, with the highest accuracy for NN and GMPHD at 0.75 and 0.73, respectively. JPDA had many missed tracks due to failure to initiate new tracks. GMPHD experienced more track merging and ID switching than NN. Time complexity measurements revealed that NN could maintain tracking at 100 fps, while GMPHD and JPDA were slower when handling more than two and three targets, respectively. Further work is needed to assess tracking application efficiency on embedded platforms, measure power efficiency, and improve human motion modeling. 

Att identifiera och följa rörliga objekt (eng. object tracking) i videor är en grundläggande utmaning inom datorseende. Trots omfattande studier saknas fokuserad forskning på prestandan hos spårningssystem i praktiska tillämpningar, särskilt inom områden som lantmäteri. Denna studie jämför empiriskt tre spårningsalgoritmer baserade på estimeringsfilter: Kalmanfilter­baserad Nearest Neighbor (NN), Joint Probability Data Association Tracking (JPDA) och Gaussian Mixture Probability Hypothesis Density (GMPHD) spårning, specifikt för spårning av prismor inom lantmäteri. Simulerade och riktiga videor som representerar när mål skymms av trafik vegetation och störande falsmål analyserades för att bedöma spårarprestandan i emulerade verkliga lantmäteriscenarier, där exakt spårning av prismor är avgörande för effektiv datainsamling. Resultaten visade liknande spårningsprecision på 4 pixlar för alla tre algoritmer, med högsta noggrannhet för NN och GMPHD på 0,75 respektive 0,73. JPDA både många missade mål på grund av att den inte kunde initiera nya spårningar. GMPHD både påvisade fler sammanfogningar av mål ( eng. track merging) men upplevde också fler sammanblandningar av mål (eng. ID-switching) än NN. Mätningar av tidskomplexitet avslöjade att NN kunde upprätthålla spårning vid 100 fps, medan GMPHD och JPDA var långsammare och hanterade mer än två respektive tre mål. Ytterligare arbete behövs för att bedöma spårningstillämpningens effektivitet på inbyggda plattformar, mäta energieffektivitet och förbättra modelleringen av mänsklig rörelse.