Con la aceleración de la urbanización y la creciente demanda de viajes, el tráfico actual en carretera experimenta un crecimiento rápido y una lógica espacio-temporal más compleja. El seguimiento de vehículos en carreteras presenta varios desafíos, incluyendo escenas complejas con transiciones frecuentes entre primer plano y fondo, movimientos rápidos y no lineales de vehículos y la presencia de numerosas cajas de detección de baja puntuación inevitables. En este documento, proponemos AM-Vehicle-Track, siguiendo el paradigma comprobado y efectivo de seguimiento por detección (TBD). En la etapa de detección, introducimos el mecanismo de atención de bloque de canal ligero (LCBAM), facilitando que el detector se concentre más en las características del primer plano con recursos computacionales limitados. En la etapa de seguimiento, proponemos de manera innovadora el módulo de filtro de Kalman extendido adaptativo al ruido (NSA-EKF) para extraer la información de movimiento de los vehículos considerando el impacto de la confianza de detección en el ruido de observación al tratar con el movimiento no lineal. Además, utilizamos el método de asociación de datos Byte para abordar las cajas de detección de baja puntuación inevitables, permitiendo una asociación secundaria para reducir los cambios de ID. Logramos 42.2 MOTA, 51.2 IDF1 y 364 IDs en el conjunto de pruebas de VisDrone-MOT con 72 FPS. Los resultados experimentales muestran el rendimiento altamente competitivo de nuestro enfoque, logrando un rendimiento de seguimiento de SOTA con una velocidad rápida.