Die mehrkamera-basierte mehrobjektbasierte Verfolgung (Multi-Camera Multi-Object Tracking, MC-MOT) nutzt Informationen aus mehreren Perspektiven, um Herausforderungen wie Verdeckung und dichte Szenen besser zu bewältigen. In letzter Zeit hat sich die Verwendung graphbasierter Ansätze zur Lösung von Verfolgungsproblemen stark verbreitet. Allerdings nutzen viele aktuelle graphbasierte Methoden die Informationen bezüglich räumlicher und zeitlicher Konsistenz nicht effektiv. Stattdessen basieren sie auf Einzelkameratrackern als Eingabe, die anfällig für Fragmentierung und ID-Switch-Fehler sind. In diesem Artikel stellen wir ein neuartiges, umkonfigurierbares Graphmodell vor, das zunächst alle detektierten Objekte über verschiedene Kameras räumlich assoziiert und das Netzwerk anschließend in ein zeitliches Graphmodell umkonfiguriert, um eine zeitliche Assoziation durchzuführen. Dieser zweistufige Assoziationsansatz ermöglicht es uns, robuste, räumlich-zeitlich bewusste Merkmale zu extrahieren und das Problem von fragmentierten Tracklets zu lösen. Darüber hinaus ist unser Modell für die Online-Verfolgung ausgelegt und somit für Anwendungen in der realen Welt geeignet. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Graphmodell in der Lage ist, differenziertere Merkmale für die Objektverfolgung zu extrahieren, und dass unser Modell auf mehreren öffentlichen Datensätzen eine state-of-the-art-Leistung erzielt.