Neuralne mreže i duboko učenje su moćan i brzo rastući alat prilikom analize slika prometa, čemu pomažu brojni javno dostupni resursi za treniranje i testiranje neuronskih mreža na velikim skupovima podataka kao što je KITTI. To je moguće iskoristiti i povratne podatke iz CNN sistema za raspoznavanje objekata (kamera je montirana na vozilu) poslati u odgovarajući algoritam za praćenje u realnom vremenu. Ovaj rad koristi recentnu metodu ([9]) dobivanja detekcija vozila prisutnih na slici i Kalmanov filter kao algoritam praćenja. Testiranje se provodi na KITTI benchmarku. U prvom poglavlju navodimo neka bitna svojstva višedimenzionalne normalne distribucije, s naglaskom na Bayesov teorem za normalnu razdiobu, koji se koristi u izvodu Kalmanovog filtra. U drugom poglavlju, nakon kratkog uvoda u područje algoritama za praćenje I odgovarajuću terminologiju, koristimo bayesovski pristup kako bismo dobili općenito rekurzivno rješenje za praćenje jednog objekta. Zatim diskutiramo i detaljno izvodimo Kalmanov filter, a kraće komentiramo i njegove bitne ekstenzije, prošireni Kalmanov filter i unscented Kalmanov filter. U trećem poglavlju dajemo kratki osvrt na moderne metode raspoznavanja vozila i njihovo praćenje, te prezentiramo našu metodu. U četvrtom poglavlju navodimo neke implementacijske detalje i iznosimo rezultate na KITTI podacima. Glavni problem sustava u odnosu na ekvivalent baziran na lidaru je manji broj deketiranih objekata. Usprkos tome, rezultati su solidni.