في هذا البحث، نركز على جانبيْن أساسييْن من مشكلة تتبع الأهداف المتعددة: 1) تصميم مقياس تشابه دقيق لربط الاكتشافات، و2) تنفيذ خوارزمية تتبع أهداف متعددة فعّالة ودقيقة (قريبة من الوقت الحقيقي). كأول إسهام، نقدم وصفاً محلياً مجمعاً للتدفق (Aggregated Local Flow Descriptor - ALFD) يرمّز النمط الحركي النسبي بين زوج من الاكتشافات البعيدة زمنياً باستخدام مسارات نقاط الاهتمام طويلة المدى (IPTs). بفضل استخدام مسارات نقاط الاهتمام هذه، يقدم الوصف المحلي المجمع للتدفق مقياس تشابه قوي لتقدير احتمالية تطابق الاكتشافات بغض النظر عن السيناريوهات التطبيقية. كإسهام آخر، نقدم خوارزمية تتبع أهداف متعددة قريبة من الوقت الحقيقي (Near-Online Multi-target Tracking - NOMT). يتم صياغة مشكلة التتبع كربط بيانات بين الأهداف والاكتشافات في نافذة زمنية، ويتم تنفيذه بشكل متكرر في كل إطار. بينما تكون الخوارزمية فعّالة، فإنها تحقق القوة عبر دمج عدة مؤشرات بما في ذلك مقياس الوصف المحلي المجمع للتدفق (ALFD)، الديناميكيات المستهدفة، التشابه البصري، والتنظيم الطويل الأمد للمسارات في النموذج. تؤكد تحليلنا التفصيليُّ تفوق مقياس الوصف المحلي المجمع للتدفق (ALFD) على المؤشرات التقليدية الأخرى لمقياس التشابه. نجري تقييماً تجريبياً شاملاً على قاعدتي بيانات تتبع صعبتين، وهما KITTI ومجموعات بيانات MOT. يحقق طريقة NOMT مع مقياس ALFD أفضل الدقة في كلتا قاعدة البيانات بمargins كبيرة (حوالي 10% أعلى MOTA) بالمقارنة مع أفضل الأساليب الحالية.注释：在阿拉伯语中，“margins”一词可以翻译为“هوامش”或“Margins”，根据上下文选择更合适的表达。在这里，我选择了“هوامش”以保持句子的流畅性和正式性。