Die Mehrfachobjektverfolgung (MOT) stellt erhebliche Herausforderungen im Bereich der Computer Vision dar. Trotz ihrer weit verbreiteten Anwendung in Robotik, autonomen Fahrzeugen und intelligenten Fertigung gibt es nur begrenzt Literatur, die sich speziell mit den Herausforderungen der Ausführung von MOT auf eingebetteten Geräten befasst. Die neuesten MOT-Verfolger, die für hochwertige GPUs entwickelt wurden, erleiden oft niedrige Verarbeitungsrate (<11 fps), wenn sie auf eingebetteten Geräten eingesetzt werden. Bestehende MOT-Rahmenwerke für eingebettete Geräte schlugen Strategien vor, wie das Zusammenführen des Detektormodells mit dem Merkmalsverschachtelungsmodell zur Reduzierung der Inferenzlatenz oder das Kombinieren verschiedener Verfolger zur Verbesserung der Verfolgsgenauigkeit, aber tendieren dazu, das eine für das andere zu opfern. In dieser Arbeit stellen wir HopTrack vor, ein Echtzeit-Mehrere-Objekt-Verfolgungssystem, das speziell für eingebettete Geräte entwickelt wurde. Unser System verwendet einen neuen diskretisierten statischen und dynamischen Zuordnungsalgorithmus sowie eine innovative inhaltsbezogene dynamische Abtasttechnik, um die Verfolgsgenauigkeit zu verbessern und gleichzeitig die Echtzeitanforderungen zu erfüllen. Im Vergleich zum besten modifizierten Baseline-System für hochwertige GPUs (Byte (Embed)) und dem besten existierenden Baseline-System für eingebettete Geräte (MobileNet-JDE) erreicht HopTrack eine Verarbeitungsgeschwindigkeit von bis zu 39,29 fps auf der NVIDIA AGX Xavier und eine Mehrfachobjektverfolgungs-Genauigkeit (MOTA) von bis zu 63,12 % auf dem MOT16-Benchmark. Dies übertrifft beide Konkurrentensysteme um jeweils 2,15 % und 4,82 %. Zudem geht der Genauigkeitszuwachs mit einer Reduktion des Energieverbrauchs (20,8 %), des Stromverbrauchs (5 %) und des Speicherverbrauchs (8 %) einher – Ressourcen, die auf eingebetteten Geräten von entscheidender Bedeutung sind. HopTrack ist außerdem detektornunabhängig und ermöglicht somit eine flexible Plug-and-Play-Anwendung.