视频内运动目标点数据聚类问题

请问大佬们，怎样可以实现将摄像头实时拍摄的图像内运动目标点的聚类啊？
比如视频内有运动的两辆车，用yolo检测车轮目标，怎样把这些目标点聚类为两类，分别属于两辆车？
感谢大佬！