Para enfrentar os problemas comuns no rastreamento de pedestres em ambientes de tráfego complexos e mutáveis, como obstruções parciais e mudanças frequentes de ID, é proposta uma metodologia de rastreamento multiobjetivo de pedestres que integra YOLOv8 (You Only Look Once-v8) e uma métrica de associação profunda aprimorada (Simple Online and Realtime Tracking with a Deep Association Metric, DeepSORT). Primeiramente, para fortalecer a capacidade de capturar características dos pedestres em cenários de tráfego intenso, o algoritmo YOLOv8 foi escolhido na fase de detecção, reconhecido por sua eficiência no processamento de características em pequena escala, assegurando precisão e rapidez na detecção. Em seguida, para atender à demanda de rastreamento em tempo real, a rede OSNet (Omni-Scale Network) foi introduzida como rede de extração de características baseada no DeepSORT. A OSNet, por meio de uma estratégia de fusão dinâmica em múltiplas escalas, fornece uma base informacional mais rica e precisa para o rastreamento subsequente. Posteriormente, visando superar as limitações do filtro de Kalman tradicional na previsão de trajetórias de movimento não lineares, foi desenvolvido um algoritmo inovador de filtro adaptativo de Kalman com esquecimento (Filter Smoothing Kalman Algorithm, FSA), que ajusta os parâmetros de filtragem de forma flexível, lidando eficazmente com a incerteza do movimento dos pedestres em cenários de tráfego complexos, aumentando significativamente a precisão das previsões. Além disso, para melhorar a estabilidade e a precisão da correspondência de dados durante o processo de rastreamento, o mecanismo original de correspondência Intersection over Union (IOU) do DeepSORT foi substituído pelo algoritmo aprimorado Complete-Intersection over Union (CIOU). O CIOU considera não apenas o grau de sobreposição entre os alvos, mas também incorpora informações geométricas como forma e tamanho, reduzindo eficazmente taxas de perda e falsos positivos. Por fim, para atenuar ainda mais o impacto de múltiplos ruídos no desempenho do rastreamento, foi introduzido um extrator de características de trajetória (Trajectory Feature Extractor, GFModel) com forte capacidade de generalização. Este modelo combina organicamente detalhes locais e contexto global por meio de técnicas de pooling médio, alcançando rastreamento e previsão precisos das trajetórias dos pedestres-alvo. Resultados experimentais mostram que o método alcança uma precisão de rastreamento de 77,9% enquanto mantém uma velocidade de processamento de 55,8 quadros por segundo, atendendo plenamente às necessidades de um rastreamento eficiente e preciso em ambientes de tráfego complexos reais.

Rastreamento de pedestres;YOLOv8;DeepSORT;Rastreamento multiobjetivo;Correspondência de associação