복잡하고 변화무쌍한 교통 환경에서 보행자 추적 시 자주 발생하는 부분적 가림 현상과 ID 빈번 변경 문제를 해결하기 위해 YOLOv8(You Only Look Once-v8)과 개선된 딥 연관 지표(Simple Online and Realtime Tracking with a Deep Association Metric, DeepSORT)를 융합한 다중 목표 보행자 추적 방법을 제안한다. 우선, 밀집된 교통 장면에서 목표 보행자의 특징 정보를 효과적으로 포착하기 위해 탐지 단계에서 YOLOv8 알고리즘을 선택하였으며, 이는 고효율의 소규모 특징 처리 능력을 갖추어 탐지의 정확성과 속도를 보장한다. 다음으로, 보행자 추적의 실시간 요구에 대응하기 위해 DeepSORT 기반에 OSNet(Omni-Scale Network)을 특징 추출 네트워크로 도입하였다. OSNet은 다중 스케일 동적 융합 전략을 통해 후속 추적에 더 풍부하고 정확한 정보 기반을 제공한다. 그리고 전통적인 칼만 필터의 비선형 운동 궤적 예측 한계를 극복하기 위해 적응형 소실 칼만 필터 알고리즘(Filter Smoothing Kalman Algorithm, FSA)을 설계하여 필터 매개변수를 유연하게 조정하고 복잡한 교통 환경에서 보행자의 운동 불확실성에 효과적으로 대응하여 예측 정확도를 크게 향상시켰다. 또한 추적 과정에서 데이터 매칭의 안정성과 정확도를 높이기 위해 DeepSORT의 기존 교집합비(Intersection over Union, IOU) 연관 매칭 방식을 개선된 교집합비(Complete-Intersection over Union, CIOU) 알고리즘으로 대체하였다. CIOU는 목표 간 겹침 정도뿐 아니라 형태와 크기 등 기하학적 정보를 통합하여 누락률과 오검출률을 효과적으로 감소시켰다. 마지막으로 다중 잡음이 추적 성능에 미치는 영향을 줄이기 위해 강력한 일반화 능력을 갖춘 궤적 특징 추출기(Trajectory Feature Extractor, GFModel)를 도입하였다. 해당 모델은 평균 풀링 기술을 통해 국부 세부 정보와 전체 문맥 정보를 유기적으로 융합하여 목표 보행자의 궤적을 정확하게 추적 및 예측할 수 있다. 실험 결과, 해당 방법은 77.9%의 높은 추적 정확도와 55.8fps(Frame Per Second)의 처리 속도를 동시에 달성하여 실제 복잡 교통 환경에서의 효율적이고 정밀한 추적 요구를 충분히 충족하였다.

보행자 추적;YOLOv8;DeepSORT;다중 목표 추적;연관 매칭