Eén van de essentiële taken van slimme cameranetwerken, en de focus van deze thesis, is het volgen van objecten en mensen om hun trajecten, gedrag en relaties vast te stellen. Dit is belangrijk op het gebied van veiligheid en inspectie, ouderenzorg, verkeersobservatie, videoconferencing, enz. In levensechte omstandigheden zijn er verschillende uitdagingen om het volgen van objecten te volbrengen: 1) grote variaties in verlichtings- en weersomstandigheden, 2) typische beeldkenmerken zijn vaak niet discriminatief genoeg in werkelijke condities, 3) bandbreedte- en verwerkingskrachtbeperkingen, evenals moeilijkheden in het opslaan en analyseren van grote hoeveelheden videodata. In dit proefschrift pakken we deze uitdagingen aan. We stellen een raamwerk voor om objecten te volgen. We werken daarbij hiërarchisch, i.e. van laag-niveau objectdetectie, slimme en lage-complexiteit feature extractie en matching, tot hoog-niveau contextueel redeneren, informatieselectie en fusie. Dit raamwerk is getest en uitgewerkt in meerdere, realistische scenario's: 1) in verschillende verkeersscenario's onder verschillende belichtings- en weersomstandigheden, 2) in het volgen van personen in een vergaderzaal, gebruik makend van een cameranetwerk met overlappende zichten, en 3) in het volgen van voertuigen in een tunnel met een cameranetwerk met niet-overlappende zichten. Voor al onze methoden geven we kwalitatieve en kwantitatieve resultaten uit verschillende experimenten en vergelijken we met state-of-the-art.