Pour résoudre les problèmes fréquemment rencontrés dans le suivi des piétons en environnements de circulation complexes et changeants, tels que les occlusions partielles et les changements fréquents d'ID, une méthode de suivi multi-cibles des piétons fusionnant YOLOv8 (You Only Look Once-v8) et une métrique d'association profonde améliorée (Simple Online and Realtime Tracking with a Deep Association Metric, DeepSORT) est proposée. Tout d'abord, afin d'améliorer la capacité à capturer les caractéristiques des piétons dans des scènes de trafic denses, l'algorithme YOLOv8 est choisi pour l’étape de détection, grâce à son efficacité dans le traitement des caractéristiques à petite échelle, garantissant précision et rapidité de la détection. Ensuite, pour répondre aux exigences en temps réel du suivi des piétons, OSNet (Omni-Scale Network) est introduit comme réseau d'extraction de caractéristiques basé sur DeepSORT. OSNet, par une stratégie de fusion dynamique multi-échelle, fournit une base d’information plus riche et précise pour le suivi ultérieur. Puis, en réponse aux limites du filtre de Kalman traditionnel dans la prédiction des trajectoires non linéaires, un algorithme innovant de filtre de Kalman adaptatif à l’oubli (Filter Smoothing Kalman Algorithm, FSA) est conçu, capable d’ajuster de manière flexible les paramètres du filtre, traitant efficacement les incertitudes des déplacements de piétons dans des scènes de trafic complexes et améliorant significativement la précision de la prédiction. De plus, pour améliorer la stabilité et la précision de l’appariement des données pendant le suivi, le mécanisme d’association basé sur l’Intersection over Union (IOU) d'origine de DeepSORT est remplacé par un algorithme amélioré Complete-Intersection over Union (CIOU). CIOU prend en compte non seulement le degré de chevauchement entre les cibles, mais intègre également des informations géométriques telles que la forme et la taille, réduisant efficacement les taux de faux négatifs et faux positifs. Enfin, pour atténuer davantage l’impact des bruits multiples sur les performances de suivi, un extracteur de caractéristiques de trajectoire doté d’une forte capacité de généralisation (Trajectory Feature Extractor, GFModel) est introduit. Ce modèle fusionne de manière organique les détails locaux et le contexte global via une technique de pooling moyen, permettant un suivi et une prédiction précis des trajectoires des piétons cibles. Les résultats expérimentaux montrent que cette méthode atteint une précision de suivi de 77,9% tout en maintenant une vitesse de traitement de 55,8 images par seconde, répondant pleinement aux exigences d’un suivi efficace et précis dans des environnements de trafic complexes réels.

Suivi des piétons;YOLOv8;DeepSORT;Suivi multi-cible;Appariement d'association