El algoritmo de seguimiento de múltiples objetivos en tiempo real ha logrado un rendimiento de seguimiento ideal, pero la mayoría de los algoritmos existentes son lentos, y con el aumento de la complejidad del fondo, la precisión del seguimiento también disminuye. Para abordar este problema, este artículo propone un algoritmo de seguimiento en tiempo real de peatones basado en la asociación de datos en línea. Primero, se diseñó un mecanismo de predicción de doble trayectoria con filtro de correlación nuclear y filtro de Kalman, que junto con la coincidencia en cascada de DeepSORT forma un sistema de predicción-seguimiento-calibración que hace que la asociación de datos sea más confiable. Además, en la parte de detección de objetivos se introdujo un mecanismo de atención que, al fortalecer la información de ubicación del objeto, mejora la capacidad de representación de características y así mejora la precisión del seguimiento. El modelo alcanzó en el conjunto de datos MOT16 un MOTA de 66.5%, un IDF1 de 64.2% y un IDSW de 641. En comparación con el algoritmo DeepSORT, MOTA e IDF1 aumentaron en un 13% y 13.2% respectivamente, y el IDSW disminuyó en 410. El algoritmo de este artículo ayuda a resolver problemas como las falsas detecciones y las pérdidas durante el seguimiento en tiempo real de peatones, manteniendo una alta precisión incluso en casos de bloqueo severo, pudiendo lograr un seguimiento estable y en tiempo real de peatones en entornos complejos.

Seguimiento de múltiples objetivos;Seguimiento en tiempo real;YOLOv5;Algoritmo de filtro de correlación nuclear;DeepSORT