基于 ROI 效益的车辆 ReID 优化
计算机视觉与模式识别
2024-07-16 v1 图像与视频处理
摘要
车辆重识别 (ReID) 是计算机视觉任务，用于在监控系统中匹配不同摄像机或视角下的相同车辆。这在智能交通系统 (ITS) 中至关重要，其有效性受到车辆图像裁剪区域的影响。本研究探讨了由检测置信度得益的最优车辆检测区域是否能增强特征匹配和 ReID任务。使用我们的框架配合多个感兴趣区域 (ROI) 和车道级车辆计数，我们采用 YOLOv8 进行检测，DeepSORT 用于跨十二条印第安州高速视频进行跟踪，其中包括来自非重叠摄像机的两对视频。Tracked 车辆图像以五帧为间隔从 ROI 内部和外部裁剪。使用预训练模型（ResNet50、ResNeXt50、Vision Transformer 和 Swin-Transformer）提取特征。通过余弦相似度、信息熵和聚类方差评估特征一致性。结果显示，ROI 内部裁剪的图像特征均值余弦相似度值高于一个在 ROI 内部和一个在 ROI 外部的图像。最显著的差异出现在夜间条件下 (0.7842 内部 vs. 0.5 外部 ROI 使用 Swin-Transformer) 和跨摄像机情境下 (0.75 内部-内部 vs. 0.52 内部-外部 ROI 使用 Vision Transformer)。信息熵和聚类方差进一步支持 ROI 中的特征更一致。这些发现表明，战略性选择的 ROI 可增强 ITS 中的跟踪性能和 ReID准确性。
引用
@article{arxiv.2407.09966,
title = {Optimizing ROI Benefits Vehicle ReID in ITS},
author = {Mei Qiu and Lauren Ann Christopher and Lingxi Li and Stanley Chien and Yaobin Chen},
journal= {arXiv preprint arXiv:2407.09966},
year = {2024}
}