基于计算机视觉的车辆跟踪作为 RFID 标签的可扩展补充方法
计算机视觉与模式识别
2022-09-14 v1
摘要
进出车辆的记录作为关键信息，可用于各类敏感机构中安全违规事件的根因分析。RFID 标签在物流与技术两方面都制约了车辆跟踪方案的可扩展性。例如，要求每辆 incoming 车辆（部门或私人）都贴 RFID 标签是一项严苛约束，且将视频分析与 RFID 耦合以检测异常车辆运动并非易事。我们利用公开可用的计算机视觉算法实现，基于有限状态机形式化发展了一种可解释的车辆跟踪算法。该状态机以级联目标检测与光学字符识别（OCR）模型的输出作为状态转移输入。我们在来自系统部署现场的 75 段含 285 辆车辆的视频片段上评估了所提方法。我们观察到检测率最受车速与车型影响。当车辆运动被限制为遵循检查点处类似 RFID 标签的 movement restrictions（SOP）时，检测率最高。我们进一步在实时数据上对 700 个车辆跟踪预测进行分析，确认多数车牌号预测错误源于文字不清、图像模糊、文字遮挡及车牌号中的词汇外字母。面向系统部署与性能提升，我们期望正在进行的系统监测能提供证据，以确立安全检查点更高车辆吞吐量的 SOP，并推动已部署计算机视觉模型与状态机的微调，使所提方法成为 RFID 标签的有前景替代方案。
引用
@article{arxiv.2209.05911,
title = {Computer vision based vehicle tracking as a complementary and scalable approach to RFID tagging},
author = {Pranav Kant Gaur and Abhilash Bhardwaj and Pritam Shete and Mohini Laghate and Dinesh M Sarode},
journal= {arXiv preprint arXiv:2209.05911},
year = {2022}
}