Para abordar los problemas comunes en el seguimiento de peatones en entornos de tráfico complejos y cambiantes, como las oclusiones parciales y los cambios frecuentes de ID, se propone un método de seguimiento de múltiples objetivos para peatones que fusiona YOLOv8 (You Only Look Once-v8) y una métrica de asociación profunda mejorada (Simple Online and Realtime Tracking with a Deep Association Metric, DeepSORT). Primero, para mejorar la capacidad de capturar las características de los peatones en escenarios de tráfico denso, se seleccionó el algoritmo YOLOv8 en la fase de detección, que cuenta con una alta eficiencia en el procesamiento de características a pequeña escala, garantizando la precisión y rapidez de la detección. En segundo lugar, para satisfacer las demandas en tiempo real del seguimiento de peatones, se introdujo OSNet (Omni-Scale Network) como red de extracción de características sobre la base de DeepSORT. OSNet, mediante una estrategia de fusión dinámica multi-escala, proporciona una base informativa más rica y precisa para el seguimiento posterior. Luego, para abordar las limitaciones del filtro de Kalman tradicional en la predicción de trayectorias de movimiento no lineales, se diseñó un innovador algoritmo adaptativo de filtro de Kalman con olvido (Filter Smoothing Kalman Algorithm, FSA), que puede ajustar de manera flexible los parámetros del filtro, manejando eficazmente la incertidumbre del movimiento peatonal en escenarios de tráfico complejos y mejorando significativamente la precisión de la predicción. Además, para mejorar la estabilidad y precisión del emparejamiento de datos en el proceso de seguimiento, se reemplazó el mecanismo original de coincidencia Intersection over Union (IOU) de DeepSORT por un algoritmo mejorado Complete-Intersection over Union (CIOU). CIOU no solo considera el grado de superposición entre objetivos, sino que también incorpora información geométrica como la forma y el tamaño, reduciendo eficazmente las tasas de falsos negativos y falsos positivos. Por último, para reducir aún más el impacto del ruido múltiple en el rendimiento del seguimiento, se introdujo un extractor de características de trayectoria (Trajectory Feature Extractor, GFModel) con fuerte capacidad de generalización. Este modelo fusiona orgánicamente detalles locales y contexto global mediante técnicas de pooling promedio, logrando un seguimiento y predicción precisos de las trayectorias de los peatones objetivo. Los resultados experimentales muestran que este método alcanza una precisión de seguimiento del 77.9% mientras mantiene una velocidad de procesamiento de 55.8 fotogramas por segundo, satisfaciendo plenamente las demandas de seguimiento eficiente y preciso en entornos de tráfico complejos reales.

Seguimiento de peatones;YOLOv8;DeepSORT;Seguimiento múltiple de objetivos;Emparejamiento de asociación