Dans cet article, nous proposons un cadre efficace de suivi en ligne de plusieurs objets basé sur le filtre GMPHD et un schéma de gestion des groupes d'occlusion. Le filtre GMPHD utilise une association de données hiérarchique pour réduire les faux négatifs dus aux détections manquées. L'association de données hiérarchique se compose de deux étapes : l'association détection-à-suivi et l'association suivi-à-suivi, qui permettent de récupérer les pistes perdues et leurs identifiants échangés.De plus, le cadre proposé est doté d'un schéma de gestion des groupes d'objets qui traite les problèmes d'occlusion avec deux parties principales. La première partie est la « fusion des pistes » (track merging), qui peut fusionner les pistes faussement positives causées par des détections faussement positives dues à l'occlusion, où ces pistes faussement positives sont généralement partiellement occultées. La mesure utilisée est le rapport d'occlusion entre les objets visuels, que nous avons défini comme la somme des intersections sur la surface (SIOA) au lieu de la métrique IOU. La deuxième partie est la « minimisation de l'énergie du groupe d'occlusion » (OGEM), qui empêche les pistes véritablement positives occultées d'être faussement fusionnées. Nous définissons chaque groupe d'objets occultés comme une fonction énergétique et trouvons une hypothèse optimale qui minimise cette énergie.Nous évaluons le traceur proposé dans des jeux de données de référence tels que MOT15 et MOT17, conçus pour le suivi multi-personnes. Une étude ablative sur l'ensemble d'apprentissage montre que non seulement la « fusion des pistes » et la « minimisation de l'énergie du groupe d'occlusion » (OGEM) se complètent mutuellement, mais aussi que la méthode de suivi proposée offre une performance plus robuste et moins sensible aux paramètres que les méthodes de base. De plus, SIOA s'avère être plus performant que IOU pour diverses tailles de faux positifs.Les résultats expérimentaux montrent que le traceur proposé gère efficacement les situations d'occlusion et atteint une performance compétitive par rapport aux méthodes les plus avancées. En particulier, notre méthode affiche la meilleure précision de suivi multi-objets parmi les méthodes exécutables en ligne et en temps réel.