您可以考虑使用粒子过滤器。 这是我写的一篇关于使用粒子过滤器跟踪视频中的对象的论文的链接。这些的好处是可以通过临时遮挡来跟踪对象。在这里使用卡尔曼滤波器的技巧是处理由视频场边缘引入的非线性，并将测量模型转换为状态的线性组合（大概是 x,y 位置）。Unscented Kalman 滤波器是您可以采用的另一条路线，它不需要线性模型。

有趣的应用程序。由于您拥有丰富的深度信息，您可以将其量化为少量级别（例如 8 级），然后应用斑点检测来恢复图像中可以作为对象的区域。如果这些障碍物倾向于符合原生或规则形状（例如矩形、椭圆体等），那么您可以在每个深度区域应用一些基本模式识别来恢复潜在障碍物的位置。

卡尔曼滤波器可用于改善移动环境中的跟踪，但由于视差，当这些对象不在视野范围内时（例如，一旦您失去“锁定”，就很难在同一场景中的其他对象后面继续跟踪）很难将对象重新识别为先前跟踪的对象并继续将其作为一个目标进行跟踪。）