L'occlusion entre différents objets est un défi typique dans le suivi multi-objets (Multi-Object Tracking, MOT), qui entraîne souvent des résultats de suivi médiocres en raison des objets non détectés. La pratique courante dans le suivi multi-objets consiste à réidentifier les objets manquants après leur réapparition. Bien que la réidentification puisse améliorer les performances de suivi, l'annotation d'identité est nécessaire pour former le modèle. De plus, cette pratique de réidentification ne peut toujours pas suivre les objets fortement occultés lorsqu'ils sont manqués par le détecteur. Dans cet article, nous nous concentrons sur le suivi multi-objets en ligne et concevons deux modules innovants : un module d'apprentissage de réidentification non supervisé et un module d'estimation d'occlusion, pour résoudre ces problèmes. Plus précisément, le module d'apprentissage de réidentification non supervisé proposé n'a besoin d'aucune information d'identité (pseudo ou non) et n'est pas affecté par les problèmes de scalabilité. Le module d'estimation d'occlusion proposé tente de prédire les emplacements où se produisent les occultations, ce qui est utilisé pour estimer les positions des objets manqués par le détecteur. Nos études montrent que, lorsqu'il est appliqué aux méthodes MOT de pointe, l'apprentissage de réidentification non supervisé proposé est comparable à l'apprentissage de réidentification supervisé, et que les performances de suivi sont encore améliorées grâce au module d'estimation d'occlusion proposé.