Die Behandlung unzuverlässiger Detektionen und die Vermeidung von Identitätswechseln sind entscheidend für den Erfolg von Multi-Object-Tracking (MOT). Idealweise sollte ein MOT-Algorithmus ausschließlich echte Positive-Detektionen nutzen, in Echtzeit arbeiten und keine Identitätswechsel produzieren. Um eine Lösung in Richtung dieses idealen Szenarios zu erreichen, präsentieren wir BoostTrack, eine einfache, jedoch effektive Tracing-by-Detection-MOT-Methode, die mehrere leichte, plug-and-play-Erweiterungen nutzt, um die MOT-Leistung zu verbessern. Wir entwickeln eine Detektion-Tracklet-Vertrauenswerts-Kennzahl und verwenden sie, um die Ähnlichkeitsmaßnahme zu skalieren und implizit Paare mit hoher Detektions- und hoher Tracklet-Vertrauenswerts-Kennzahl in der einstufigen Assoziation zu bevorzugen. Um die Unsicherheiten zu reduzieren, die sich aus der Verwendung des Intersection-over-Union (IoU)-Maßes ergeben, schlagen wir eine neuartige Mahalanobis-Distanz sowie Zusätze zur Formähnlichkeit vor, um das Gesamtähnlichkeitsmaß zu verbessern. Um auch Detektionen mit niedrigem Score in der einstufigen Assoziation zu nutzen, schlagen wir vor, die Vertrauenswerte zweier Detektionsgruppen zu erhöhen: der Detektionen, die wir einer bereits verfolgten Objektinstanz zuordnen, und der Detektionen, die wir einer bisher nicht erkannten Objektinstanz zuordnen. Die vorgeschlagenen Erweiterungen sind orthogonal zu bestehenden Ansätzen und werden mit Interpolation und Kamera-Bewegungskompensation kombiniert, um Ergebnisse zu erzielen, die den Standardbenchmarks entsprechen, während gleichzeitig die Echtzeitfähigkeit erhalten bleibt. In Kombination mit der Erscheinungsbasierten Ähnlichkeit übertrifft unsere Methode alle Standardbenchmarks auf den DATENSÄTZE MOT17 und MOT20. Sie erreicht die Spitzenposition unter den Online-Methoden im HOTA-Maß im Rahmen der MOT-Challenge für die Testsets MOT17 und MOT20. Den Quellcode stellen wir unter https://github.com/vukasin-stanojevic/BoostTrack zur Verfügung.