Cet article s'intéresse au problème de la sélection de boîtes englobantes de détection à haute confiance dans le suivi multi-objets (MOT). Alors que l'approche BoostTrack existante tente de pallier les lacunes des méthodes de liaison multi-niveaux en améliorant la confiance de détection, cet article aborde les limites des techniques d'amélioration de la confiance de BoostTrack et propose une nouvelle approche pour améliorer les performances. La méthode proposée combine la forme, la distance de Mahalanobis et une nouvelle mesure de similarité BIoU souple pour construire une mesure de similarité plus riche et améliorer la sélection des détections positives vraies. De plus, nous introduisons une technique d'amélioration de la confiance de détection souple qui calcule un nouveau score de confiance basé sur la mesure de similarité et les scores de confiance précédents, ainsi qu'un seuil de similarité variable pour tenir compte des mesures de faible similarité mises à jour irrégulièrement entre les détections et les tracklets. Les ajouts proposés sont indépendants et applicables à tout algorithme MOT. Par conséquent, la combinaison de la méthode proposée avec la base de référence BoostTrack+ permet d'obtenir des résultats proches de l'état de l'art sur l'ensemble de données MOT17 et de nouveaux résultats de pointe sur les scores HOTA et IDF1 sur l'ensemble de données MOT20. Le code source est fourni.
