複雑で変化の激しい交通環境における歩行者追跡でしばしば直面する部分的な遮蔽やIDの頻繁な変化などの問題に対して、YOLOv8（You Only Look Once-v8）と改良されたディープアソシエーションメトリック（Simple Online and Realtime Tracking with a Deep Association Metric、DeepSORT）を融合した多目的歩行者追跡手法を提案する。まず、混雑した交通シーンでのターゲット歩行者の特徴情報の捉えやすさを強化するために、検出段階でYOLOv8アルゴリズムを選択した。このアルゴリズムは小スケール特徴の効率的処理能力を有し、検出の正確性と高速性を確保している。次に、歩行者追跡のリアルタイム性の要請に対応するため、DeepSORTの基盤にOSNet（Omni-Scale Network）を特徴抽出ネットワークとして導入した。OSNetは多尺度動的融合戦略を通じて、後続の追跡により豊かで正確な情報基盤を提供する。さらに、従来のカルマンフィルタが非線形運動軌跡予測に抱える限界に対し、革新的な適応型忘却型カルマンフィルタアルゴリズム（Filter Smoothing Kalman Algorithm、FSA）を設計し、フィルタパラメータを柔軟に調整して複雑な交通環境下での歩行者の運動不確実性に効果的に対処し、予測精度を著しく向上させた。加えて、追跡プロセスにおけるデータマッチングの安定性と精度向上のため、DeepSORTの従来の交差率（Intersection over Union、IOU）関連付けマッチング機構を改良された交差率（Complete-Intersection over Union、CIOU）アルゴリズムに置き換えた。CIOUはターゲット間の重なり度合いだけでなく、形状や大きさなどの幾何情報も組み込み、見落とし率や誤検出率を効果的に低減した。最後に、多重ノイズが追跡性能に与える影響をさらに弱めるため、強力な汎化能力を持つ軌跡特徴抽出器（Trajectory Feature Extractor、GFModel）を導入した。本モデルは平均プーリング技術により局所的な細部とグローバルな文脈情報を有機的に融合し、ターゲット歩行者の軌跡を正確に追跡・予測する。実験結果から、本手法は追跡精度77.9％を達成すると同時に、55.8フレーム/秒（FPS）の処理速度を維持し、実際の複雑な交通環境における効率的かつ精密な追跡要求を十分に満たしていることが示された。

歩行者追跡;YOLOv8;DeepSORT;多目的追跡;関連付けマッチング