Face aux limites actuelles du paradigme de suivi multi-objets basé sur la détection, cet article s'appuie sur l'algorithme DeepSort pour résoudre le problème des changements fréquents d'ID des cibles causés par les occultations lors du suivi. Tout d'abord, le modèle d'apparence est amélioré en remplaçant le réseau résiduel large original par un réseau ResNeXt, en introduisant un mécanisme d'attention convolutive dans le réseau principal, afin de construire un nouveau réseau de ré-identification des piétons, permettant au modèle de se concentrer davantage sur les informations clés de la cible et d'extraire des caractéristiques plus efficaces ; ensuite, YOLOv5 est utilisé comme algorithme de détection, avec l’ajout d’une couche de détection pour adapter le modèle aux cibles de différentes tailles, et l’introduction d’un mécanisme d’attention aux coordonnées dans le réseau principal pour améliorer encore la précision du modèle de détection. Des expériences de suivi multi-objets ont été réalisées sur le jeu de données MOT16, atteignant une précision de suivi de 66,2%, une précision de suivi stricte de 80,8%, tout en satisfaisant aux exigences de suivi en temps réel.

suivi multi-objets; ré-identification des piétons; YOLOv5; mécanisme d'attention; apprentissage profond