أظهرت كاشفات المشاة من الجيل الأول نتائج واعدة في الكشف عن المشاة غير المُغطاة، إلا أنها ما زالت تواجه صعوبات كبيرة في حالات التغطية الكثيفة. وعلى الرغم من الجهود السابقة التي حاولت تقليل مشكلة تغطية المشاة، فإن معظم هذه الدراسات اعتمدت على الصور الثابتة. في هذا البحث، نستغل السياق الزمني المحلي للمشاة في مقاطع الفيديو، ونُقدّم شبكة تجميع الميزات الأنبوبيّة (TFAN) بهدف تحسين كاشفات المشاة في مواجهة التغطية الشديدة. وبشكل محدد، بالنسبة لمشاة مُغطّى في الإطار الحالي، نقوم ببحث تكراري عن نظائره ذات الصلة على طول المحور الزمني لتكوين أنبوب زمني. ثم نقوم بجمع الميزات من هذا الأنبوب باستخدام وزن تكيفي لتعزيز تمثيلات الميزات للمشاة المُغطى. بالإضافة إلى ذلك، نصمم وحدة تمييز زمني مُدمج (TDEM) ووحدة علاقات قائمة على الأجزاء (PRM) على التوالي، بهدف تكييف منهجنا لمعالجة مشكلتي تأخر الأنبوب (tube drifting) والغطاء الشديد بشكل أفضل. أجرينا تجارب واسعة على ثلاث مجموعات بيانات: Caltech وNightOwls وKAIST، وأظهرت النتائج أن المنهج المقترح فعّال بشكل ملحوظ في الكشف عن المشاة المُغطاة بشدة. علاوةً على ذلك، حققنا أداءً من الدرجة الأولى (state-of-the-art) على مجموعتي بيانات Caltech وNightOwls.