Для решения распространённых проблем локальных перекрытий и частой смены ID при отслеживании пешеходов в сложных и изменчивых транспортных условиях предложен метод многократного целевого отслеживания пешеходов, сочетающий YOLOv8 (You Only Look Once-v8) и улучшенную метрику глубокого ассоциирования (Simple Online and Realtime Tracking with a Deep Association Metric, DeepSORT). Во-первых, для улучшения возможности захвата характеристик целей-пешеходов в плотных транспортных сценариях на этапе детектирования выбрана алгоритм YOLOv8, обладающий эффективной обработкой мелкомасштабных признаков, обеспечивающий точность и скорость обнаружения. Во-вторых, учитывая требования к реальному времени при отслеживании пешеходов, в основу DeepSORT введена сеть OSNet (Omni-Scale Network) в качестве сети извлечения признаков. OSNet с помощью стратегии динамического слияния многоуровневых масштабов предоставляет более богатую и точную информационную базу для последующего отслеживания. Затем, учитывая ограничения традиционного фильтра Калмана при прогнозировании нелинейных траекторий движения, разработан инновационный адаптивный фильтр Калмана с затуханием (Filter Smoothing Kalman Algorithm, FSA), который способен гибко настраивать параметры фильтрации и эффективно справляться с неопределённостью движения пешеходов в сложных транспортных условиях, значительно улучшая точность предсказаний. Кроме того, для повышения стабильности и точности сопоставления данных в процессе отслеживания исходный механизм сопоставления по коэффициенту перекрытия (Intersection over Union, IOU) DeepSORT заменён на улучшенный алгоритм Complete-Intersection over Union (CIOU). CIOU учитывает не только степень пересечения целей, но и геометрическую информацию, такую как форма и размер, эффективно снижая частоту пропусков и ложных срабатываний. Наконец, для дальнейшего ослабления влияния множественных шумов на производительность отслеживания введён извлекатель признаков траектории (Trajectory Feature Extractor, GFModel) с высокой обобщающей способностью. Эта модель посредством усредняющего пулинга органично комбинирует локальные детали и глобальный контекст для точного отслеживания и прогнозирования траекторий целевых пешеходов. Экспериментальные результаты показывают, что метод обеспечивает точность отслеживания до 77,9% при скорости обработки 55,8 кадров в секунду, полностью удовлетворяя требованиям эффективного и точного отслеживания в реальных сложных транспортных условиях.

Отслеживание пешеходов;YOLOv8;DeepSORT;Многократное отслеживание;Ассоциативное сопоставление