Et nyt køretøjssøgningssystem til videoovervågningsnetværk

Et team af forskere ved JD AI Research og Beijing University har for nylig udviklet et progressivt køretøjssøgningssystem til videoovervågningsnetværk, kaldet PVSS. Deres system, præsenteret i et papir, der på forhånd er offentliggjort på arXiv, effektivt kan søge efter et specifikt køretøj, der optrådte i overvågningsoptagelser.

Køretøjssøgningssystemer kan have mange nyttige applikationer, herunder muliggør smartere transport og automatiseret overvågning. Sådanne systemer kunne, for eksempel, give brugerne mulighed for at indtaste et forespørgselsbil søgeområde og tidsinterval for at finde ud af, hvor køretøjet befandt sig på forskellige tidspunkter i løbet af dagen.

Eksisterende metoder til køretøjssøgning antager typisk, at alle køretøjsbilleder er beskåret godt fra overvågningsvideoer, ved hjælp af visuelle attributter eller nummerplade -numre til at identificere målkøretøjet inden for disse billeder. Disse tilgange fokuserer hovedsageligt på indholdsbaseret køretøjsmatchning, også kendt som køretøjsidentifikation (Re-Id).

I de seneste år, håndlavede deskriptorer og konvolutionelle neurale netværk (CNN'er) har i høj grad forbedret disse metoder. Ikke desto mindre, at identificere et specifikt køretøj udelukkende baseret på attributter kan være en meget udfordrende opgave på grund af ændringer i forskellige instanser i forskellige kameraer og forskelle mellem instanser mellem lignende køretøjer. I nogle tilfælde, nummerplader kan også forkert genkendes i overvågningsbilleder på grund af lav opløsning og støj.

"Et komplet køretøjssøgningssystem bør overveje problemerne med køretøjsopdagelse, repræsentation, indeksering, opbevaring, matchende, og så videre, "forklarer forskerne i deres papir." Desuden, attributbaseret søgning kan ikke nøjagtigt finde det samme køretøj på grund af intra-instansændringer i forskellige kameraer og det ekstremt usikre miljø. "

PVSS, det progressive køretøjssøgningssystem udviklet af forskerne, behandler begrænsningerne ved de nuværende fremgangsmåder. Systemet består af tre nøglemoduler:crawler af køretøjsdata, køretøjsindekseren baseret på multikornede funktioner og den progressive køretøjssøger.

"For at garantere høj nøjagtighed og effektivitet under søgning, en række datastrukturer er designet til køretøjssøgningssystemet, "forskerne skriver i deres papir." I crawlen, ikke kun visuelt indhold, men også kontekstuel information hentes fra overvågningsnetværkerne. De multimodale data udnyttes derefter af dybe læringsbaserede modeller for at opnå diskriminerende og robuste funktioner i køretøjer, som derefter organiseres af indekserne på flere niveauer. I søgeprocessen, køretøjet søges progressivt, herunder fra-grov-til-fin søgning i funktionsdomænet og fra nær-til-fjern-søgning i det fysiske rum. "

I det væsentlige, køretøjets crawler -komponent registrerer og sporer køretøjer i overvågningsvideoer, overførsel af taget køretøjsbilleder, metadata og andre kontekstuelle oplysninger til skyen eller serveren. Efterfølgende, køretøjsindekserkomponenten udtrækker og indekserer køretøjernes flerlagsattributter, f.eks. visuelle funktioner og nummerpladefingeraftryk.

En forespørgsel, der indeholder et input -køretøjsbillede, såvel som tidsintervallet og det rumlige omfang af interesse føres derefter til køretøjssøgerkomponenten, som gradvist søger efter køretøjet i billeddatabasen.

Forskerne evaluerede deres progressive køretøjssøgningssystem på VeRi -datasættet, som indeholder over 50, 000 billeder indsamlet fra 20 overvågningskameraer i virkelige omgivelser. I disse tests, PVSS opnåede bemærkelsesværdige resultater, udkonkurrerer alle de udseende-kun søgningsmetoder og multimodale metoder, som den blev sammenlignet med.

"Omfattende eksperimenter på et stort datasæt til køretøjssøgninger indsamlet fra det virkelige overvågningsnetværk viser de nyeste resultater af det foreslåede system, "skriver forskerne i deres papir.

© 2019 Science X Network