O algoritmo de acompanhamento em tempo real de múltiplos alvos alcançou um desempenho ideal, mas a maioria dos algoritmos existentes é lenta, e à medida que a complexidade do cenário aumenta, a precisão do acompanhamento também diminui. Para este problema, este artigo propõe um algoritmo de acompanhamento em tempo real de pedestres baseado em associação de dados online. Primeiramente, foi projetado um mecanismo de previsão de pista dupla utilizando filtro de correlação de núcleo e filtro de Kalman, aliado ao pareamento em cascata do DeepSORT, formando um sistema de previsão-acompanhamento-calibração, tornando a associação de dados mais confiável. Além disso, na parte de detecção de alvos, foi introduzido um mecanismo de atenção, reforçando a informação de localização do objeto alvo para melhorar a capacidade de representação das características, aumentando assim a precisão do acompanhamento. Este modelo alcançou no conjunto de dados MOT16 um MOTA de 66,5%, um IDF1 de 64,2% e um IDSW de 641. Em comparação com o algoritmo DeepSORT, MOTA e IDF1 aumentaram 13% e 13,2%, respectivamente, enquanto o IDSW diminuiu 410. O algoritmo deste artigo ajuda a resolver problemas como falsos positivos e perdas durante o acompanhamento em tempo real de pedestres, mantendo alta precisão mesmo em casos de oclusão severa, podendo realizar acompanhamento estável em tempo real de pedestres em ambientes complexos.

Rastreamento múltiplo de objetos;Rastreamento em tempo real;YOLOv5;Algoritmo de filtro de correlação de núcleo;DeepSORT