Diversos repositórios de algoritmos da internet apresentam códigos interessantes para o tema, cada um com seus aspectos positivos e negativos. Rosebrock (2018) explica as principais diferenças entre um rastreador e detector, além de apresentar a estrutura básica da implementação de um algoritmo detector com um rastreador euclidiano. É chamado de rastreador euclidiano, pois analisa somente as distâncias euclidiana entre os pontos do centro de cada objeto detectado. Porém, o conteúdo do código é pago e pode ser inacessível. Jaiswal (2022) também apresenta um código rastreador euclidiano e open source. Mas, como seu intuito é apenas exemplificar esse tipo de código, não apresenta resultados conclusivos sobre sua performance.

O Trabalho desenvolvido por Alves e Albuquerque (2022) apresenta a aplicação da rede neural YOLO versão 3 como detector de veículos, o que é bastante significativo para começar o rastreamento. Porém, já existem novas versões da YOLO disponíveis em repositórios online, como a YOLO versão 5 disponibilizada pela Ultralytics no github. Nesse repositório existem diversos modelos pré treinados com o banco de dados COCO (Common Objects in Context), o mesmo banco utilizado na YOLO do trabalho de Monteiro e Albuquerque.

Os rastreadores já existentes da biblioteca Opencv são apresentados em código por Mallick (2018). Em seu código ele descreve um método que é possível carregar 8 modelos de rastreadores, além de apresentar o código de implementação completo desse rastreador. Porém, o método de seleção de objeto é manual, ou seja não está integrado com um algoritmo detector. Além disso, apresenta apenas brevemente os resultados, o que impede concluir adequadamente sua performance.

Brostrom (2022) hospeda no site github um código open source que integra o algoritmo detector da YOLO versão 5 à três rastreadores: Strongsort, um algoritmo aprimorado do rastreador Deepsort desenvolvido por Yunhao, Yang, Bo e Yanyun (2021); Bytetrack, desenvolvido por Zhang, Sun, Jiang, Yu, Weng, Yuan, Luo, Liu e Wang (2022) , esse rastreador também considera detecções de baixo nível de confiabilidade, o que segundo os autores, auxilia no rastreamento de objetos durante oclusões e ofuscamentos; OCSort, desenvolvido por Cao, Jinkun and Weng, Xinshuo and Khirodkar, Rawal and Pang, Jiangmiao and Kitani, Kris (2022), é um aprimoramento nos parâmetros do filtro de karman do rastreador Sort. A integração desses algoritmos são interessantes, porém Brostrom não apresenta aplicações ou resultados.