Ante las limitaciones del paradigma actual de seguimiento múltiple de objetivos basado en detección, este artículo se basa en el algoritmo DeepSort para abordar el problema de los cambios frecuentes de ID de objetivos debido a la oclusión durante el seguimiento. Primero, se mejora el modelo de apariencia reemplazando la red residual ancha original por la red ResNeXt, introduciendo un mecanismo de atención convolucional en la red troncal, construyendo una nueva red de reidentificación de peatones para que el modelo se enfoque más en la información clave del objetivo y extraiga características más efectivas; luego, se utiliza YOLOv5 como algoritmo de detección, añadiendo una capa de detección para que el modelo se adapte a objetivos de diferentes tamaños y añadiendo un mecanismo de atención a las coordenadas en la red troncal para mejorar aún más la precisión del modelo de detección. Se realizaron experimentos de seguimiento múltiple de objetivos en el conjunto de datos MOT16, alcanzando una precisión de seguimiento múltiple del 66,2%, una precisión estricta del 80,8%, y cumpliendo con los requisitos de seguimiento en tiempo real.

seguimiento múltiple de objetivos; reidentificación de peatones; YOLOv5; mecanismo de atención; aprendizaje profundo