鲁棒、可扩展且快速：多摄像机网络中用于车辆跟踪与车辆重识别的组分类器
计算机视觉与模式识别
2020-01-08 v2 机器学习
摘要
过去十年中摄像机网络变得更为普及，视频管理的研究兴趣已转向多摄像机网络上的分析。这包括在不同摄像机间无重叠情况下执行目标检测、属性识别以及车辆/行人跟踪等任务。当前的管理框架专为封闭数据集环境下的多摄像机网络设计，其中摄像机差异有限且监控环境特征已知。此外，当前框架专为离线分析设计，并由人类操作员指导用于取证应用。本文提出一种用于异构多摄像机网络中视频分析的组分类器框架，该网络具有对抗性条件，如多尺度、多分辨率摄像机以变化的遮挡、模糊和朝向捕捉环境。我们描述了一种用于车辆跟踪与车辆重识别（re-id）的实现，其中实现了零样本学习（ZSL）系统，可对所有车辆进行全天候自动跟踪。我们在 VeRi-776 和 Cars196 上的评估表明，该组分类器框架对对抗性条件具有鲁棒性，可扩展至变化的视频特征（如新车型/品牌与新摄像机），并且相较当前离线视频分析方法提供实时性能。
引用
@article{arxiv.1912.04423,
title = {Robust, Extensible, and Fast: Teamed Classifiers for Vehicle Tracking and Vehicle Re-ID in Multi-Camera Networks},
author = {Abhijit Suprem and Rodrigo Alves Lima and Bruno Padilha and Joao Eduardo Ferreira and Calton Pu},
journal= {arXiv preprint arXiv:1912.04423},
year = {2020}
}