Obwohl es erhebliche Fortschritte bei der 3D-Multi-Sicht-Multi-Personen-Verfolgung (3D MM-Tracking) gibt, sind die aktuellen 3D-MM-Tracking-Frameworks getrennt für Fußspurverfolgung und Poseverfolgung entwickelt. Insbesondere können Frameworks, die für Fußspurverfolgung ausgelegt sind, nicht in der 3D-Poseverfolgung eingesetzt werden, da sie durch eine Homographie-Projektion direkt 3D-Positionen auf der Bodenebene ermitteln, was für 3D-Posen über dem Boden nicht anwendbar ist. Im Gegensatz dazu isolieren Frameworks, die für Poseverfolgung entwickelt wurden, in der Regel Multi-Sicht- und Multi-Bildausschnitts-Assoziationen und sind möglicherweise nicht robust genug für Fußspurverfolgung, da diese weniger Schlüsselpunkte als Poseverfolgung verwendet, was die Multi-Sicht-Assoziationshinweise in einem einzelnen Bildausschnitt schwächt. Diese Studie präsentiert ein Einheitliches Multi-Sicht-Multi-Personen-Verfolgungsframework (Unified Multi-view Multi-person Tracking), das die Lücke zwischen Fußspurverfolgung und Poseverfolgung schließt. Ohne zusätzliche Modifikationen kann das Framework monokulare 2D-Bounding-Boxen und 2D-Posen als Eingabe verwenden, um robuste 3D-Trajektorien für mehrere Personen zu generieren. Besonders wichtig ist, dass Mehrbildausschnitts- und Multisichtinformationen gemeinsam genutzt werden, um die Leistungsfähigkeit von Assoziation und Triangulation zu verbessern. Die Effektivität unseres Frameworks wird durch erstklassige Ergebnisse auf den Campus- und Shelf-Datensätzen für die 3D-Poseverfolgung sowie vergleichbare Ergebnisse auf den WILDTRACK- und MMPTRACK-Datensätzen für die 3D-Fußspurverfolgung bestätigt.