Para resolver problemas de obstrucción local en un entorno de tráfico complejo y variable, como el seguimiento de peatones y los frecuentes cambios de identificación, se propone un método de seguimiento multiobjetivo de peatones que combina YOLOv8 (You Only Look Once-v8)y una métrica de asociación profunda mejorada (Simple Online and Realtime Tracking with a Deep association metric, DeepSORT). En primer lugar, para mejorar la capacidad de capturar información de características de peatones en entornos de tráfico denso, se utilizó el algoritmo YOLOv8 durante la fase de detección, este algoritmo tiene capacidad eficiente para el procesamiento de características a pequeña escala, garantizando una detección precisa y rápida. En segundo lugar, en respuesta a la demanda en tiempo real de seguimiento de peatones, se introdujo la red OSNet (Omni-Scale Network) como una red de extracción de características basada en DeepSORT. OSNet proporciona información más rica y precisa para el seguimiento posterior a través de una estrategia dinámica de fusión de varias escalas. En tercer lugar, para superar las limitaciones de la predicción de trayectorias de movimiento no lineal del filtro de Kalman tradicional, se diseñó un nuevo algoritmo de filtrado suavizado adaptativo (Filter Smoothing Kalman Algorithm, FSA), capaz de ajustar de forma flexible los parámetros de filtrado y hacer frente eficazmente a la incertidumbre del movimiento de los peatones en entornos de tráfico complejos, mejorando significativamente la precisión de la predicción. Además, para mejorar la estabilidad y precisión del emparejamiento de datos en el proceso de seguimiento, se remplazó el mecanismo de emparejamiento de intersección (IOU) original de DeepSORT por el algoritmo de intersección completa (CIOU) mejorado. El CIOU tiene en cuenta no solo el grado de superposición de los objetivos, sino que también integra información geométrica como la forma y el tamaño, reduciendo eficazmente las tasas de falsos positivos y negativos. Finalmente, para atenuar aun más el impacto del ruido múltiple en el rendimiento de seguimiento, se introdujo un extractor de características de trayectoria de alta velocidad (GFModel) con una fuerte capacidad de generalización. A través de técnicas de promediado deslizante, este modelo fusiona detalles locales con contexto global, asegurando un seguimiento preciso y una predicción de la trayectoria del peatón objetivo. Los resultados experimentales muestran que este método logra una precisión de seguimiento de hasta el 77.9%, manteniendo una velocidad de procesamiento de hasta 55.8 cuadros por segundo (Frame Per Second, FPS), satisfaciendo completamente las necesidades de un seguimiento eficaz y preciso en entornos de tráfico complejos.

Seguimiento de peatones; YOLOv8; DeepSORT; seguimiento multiobjetivo; emparejamiento asociativo