Der Echtzeit-Algorithmus zur Mehrzielverfolgung erzielte eine ideale Verfolgungsleistung, aber die meisten vorhandenen Algorithmen sind langsam, und mit zunehmender Hintergrundkomplexität nimmt auch die Verfolgungsgenauigkeit ab. Zur Lösung dieses Problems wird in dieser Arbeit ein Echtzeit-Verfolgungsalgorithmus für Fußgänger auf Basis einer Online-Datenassoziation vorgeschlagen. Zunächst wurde ein Dual-Track-Vorhersagemechanismus mit Kernkorrelationsfilter und Kalman-Filter entwickelt, der in Kombination mit der kaskadierten Zuordnung in DeepSORT ein Vorhersage-Verfolgungs-Kalibrierungssystem bildet und die Datenassoziation zuverlässiger macht. Darüber hinaus wurde im Teil der Zielerkennung ein Aufmerksamkeitsmechanismus eingeführt, der durch Verstärkung der Positionsinformationen des Zielobjekts die Merkmalrepräsentationsfähigkeit verbessert und somit die Verfolgungsgenauigkeit erhöht. Das Modell erreichte auf dem MOT16-Datensatz eine MOTA von 66,5 %, einen IDF1 von 64,2 % und einen IDSW von 641. Im Vergleich zum DeepSORT-Algorithmus stiegen MOTA und IDF1 jeweils um 13 % und 13,2 %, während der IDSW um 410 sank. Der Algorithmus dieser Arbeit hilft dabei, Probleme wie Fehlalarme und Auslassungen bei der Echtzeit-Fußgänger-Verfolgung zu lösen, und behält auch bei starker Verdeckung eine hohe Verfolgungsgenauigkeit bei, sodass eine stabile Echtzeitverfolgung von Fußgängern in komplexen Umgebungen möglich ist.

Mehrzielverfolgung;Echtzeitverfolgung;YOLOv5;Kernkorrelationsfilter-Algorithmus;DeepSORT