Um die häufig auftretenden Probleme bei der Fußgängerverfolgung in komplexen und dynamischen Verkehrsumgebungen wie lokale Verdeckungen und häufige ID-Wechsel zu lösen, wird eine multiobjektive Fußgängerverfolgungsmethode vorgeschlagen, die YOLOv8 (You Only Look Once-v8) und eine verbesserte Tiefen-assoziative Metrik (Simple Online and Realtime Tracking with a Deep Association Metric, DeepSORT) kombiniert. Zunächst wird zur Verbesserung der Fähigkeit, Fußgängermerkmale in dichten Verkehrsszenarien zu erfassen, im Detektionsschritt der YOLOv8-Algorithmus verwendet, der über eine effiziente Verarbeitung von kleinskaligen Merkmalen verfügt und Genauigkeit sowie Geschwindigkeit der Detektion sicherstellt. Zweitens wurde zur Erfüllung der Echtzeitanforderungen bei der Fußgängerverfolgung auf Basis von DeepSORT das OSNet (Omni-Scale Network) als Merkmalextraktionsnetzwerk eingeführt. OSNet bietet durch eine dynamische Fusion von Mehrskalensignalen eine reichhaltigere und präzisere Informationsbasis für die anschließende Verfolgung. Anschließend wurde angesichts der Einschränkungen des traditionellen Kalman-Filters bei der Vorhersage nichtlinearer Bewegungsbahnen ein innovativer adaptiver Vergessens-Kalman-Filter-Algorithmus (Filter Smoothing Kalman Algorithm, FSA) entwickelt, der die Filterparameter flexibel anpassen kann, um Unsicherheiten in der Fußgängerdynamik in komplexen Verkehrsszenarien effektiv zu bewältigen und die Vorhersagegenauigkeit erheblich zu verbessern. Darüber hinaus wurde zur Verbesserung der Stabilität und Genauigkeit der Datenzuordnung im Verfolgungsprozess der ursprüngliche Intersection over Union (IOU)-Abgleichsmechanismus von DeepSORT durch den verbesserten Complete-Intersection over Union (CIOU)-Algorithmus ersetzt. CIOU berücksichtigt nicht nur die Überlappung zwischen Zielen, sondern integriert auch geometrische Informationen wie Form und Größe, wodurch Auslassungs- und Fehlerraten effektiv reduziert werden. Schließlich wurde zur weiteren Abschwächung der Auswirkungen multipler Störungen auf die Verfolgungsleistung ein Trajektorienmerkmals-Extraktor (Trajectory Feature Extractor, GFModel) mit starker Generalisierungsfähigkeit eingeführt. Dieses Modell kombiniert mittels Mittelwert-Pooling lokal Details und globalen Kontext organisch, um eine präzise Verfolgung und Vorhersage von Ziel-Fußgängerttrajektorien zu ermöglichen. Experimentelle Ergebnisse zeigen, dass diese Methode eine Verfolgungsgenauigkeit von bis zu 77,9 % bei einer Verarbeitungsgeschwindigkeit von 55,8 Bildern pro Sekunde erzielt und somit die Anforderungen eines effizienten und präzisen Trackings in realen komplexen Verkehrsumgebungen voll erfüllt.

Fußgängerverfolgung;YOLOv8;DeepSORT;Multi-Target-Tracking;Assoziationsabgleich