Die Mehrfachobjektverfolgung in Sport-Szenarien ist zu einem der Schwerpunkte in der Computer Vision geworden und hat durch die Integration von Tiefenlerntechniken erhebliche Fortschritte gemacht. Trotz dieser Durchbrüche bestehen jedoch weiterhin Herausforderungen, wie beispielsweise die genaue Wiedererkennung von Spielern bei ihrer erneuten Eintreten in die Szene und das Minimieren von ID-Umschaltungen. In dieser Arbeit schlagen wir einen auf Erscheinungsmerkmalen basierenden globalen Tracklet-Vereinigungsalgorithmus vor, der entwickelt wurde, um die Verfolgungsleistung durch das Aufspalten von Tracklets mit mehreren Identitäten und das Verbinden von Tracklets, die scheinbar derselben Identität entsprechen, zu verbessern. Diese Methode kann als Plug-and-Play-Verfeinerungstool für jeden Mehrfachobjektverfolger eingesetzt werden, um dessen Leistung weiter zu steigern. Die vorgeschlagene Methode erreichte eine neue Standarte auf dem SportsMOT-Datensatz mit einem HOTA-Wert von 81,04 %. Ähnlich konnten wir auf dem SoccerNet-Datensatz die Leistung mehrerer Verfolger verbessern, indem wir den HOTA-Wert konsistent von 79,41 % auf 83,11 % erhöhten. Diese signifikanten und konsistenten Verbesserungen bei verschiedenen Verfolgern und Datensätzen unterstreichen das potentielle Ausmaß des Einflusses unserer vorgeschlagenen Methode auf die Anwendung der Spielerverfolgung im Sport. Wir stellen unseren Quellcode als Open Source zur Verfügung unter https://github.com/sjc042/gta-link.git.