L'algorithme de suivi multi-cibles en temps réel a obtenu des performances de suivi satisfaisantes, mais la plupart des algorithmes existants sont lents, et avec l'augmentation de la complexité de l'arrière-plan, la précision du suivi diminue également. Pour résoudre ce problème, cet article propose un algorithme de suivi en temps réel des piétons basé sur l'association de données en ligne. Tout d'abord, un mécanisme de prédiction double voie combinant un filtre à corrélation centrale et un filtre de Kalman a été conçu, associé à un appariement en cascade dans DeepSORT formant un système de prédiction-suivi-calibrage, rendant l'association des données plus fiable. De plus, une mécanisme d'attention a été introduit dans la partie détection des cibles, renforçant la représentation des caractéristiques en améliorant les informations de localisation des cibles, ce qui améliore la précision du suivi. Le modèle a atteint sur le dataset MOT16 un MOTA de 66,5%, un IDF1 de 64,2%, et un IDSW de 641. Par rapport à l'algorithme DeepSORT, les MOTA et IDF1 ont respectivement augmenté de 13% et 13,2%, tandis que l'IDSW a diminué de 410. L'algorithme proposé aide à résoudre les problèmes de fausse détection et de détection manquée lors du suivi en temps réel des piétons, tout en maintenant une haute précision même en cas d'occlusion sévère, permettant un suivi stable et en temps réel des piétons dans des environnements complexes.

Suivi multi-cibles;Suivi en temps réel;YOLOv5;Algorithme de filtre à corrélation centrale;DeepSORT