توافق المسارات متعددة الكاميرات المستند إلى التجميع الهرمي والقيود

أدى التطور السريع لأساليب التعلم العميق إلى تحقيق تقدم كبير في مجالات تصنيف الصور، وتحديد الكائنات، وتتبع الكائنات. وتمت الاستفادة بشكل كبير من التطورات الأخيرة في أنظمة القيادة الذاتية وأنظمة مراقبة المرور، خاصةً التكوينات الثابتة المثبتة محليًا التي تتكون من كاميرات متعددة. في هذا البحث، نقترح نظامًا لتعقب المركبات متعددة الكاميرات ومتعددة الأهداف (MCMT) باستخدام حل تجميع تسلسلي مقيد، مما يحسن مطابقة المسارات، وبالتالي يوفر تتبعًا أكثر موثوقية للكائنات أثناء انتقالها بين الكاميرات. تم استخدام شبكات YOLOv5 وByteTrack وResNet50-IBN ReID للكشف عن المركبات وتتبعها. وتم تحديد السمات الثابتة مثل نوع المركبة ولونها من خلال ميزات ReID باستخدام خوارزمية دعم المتجهات (SVM). أظهر التصنيف القائم على ميزات ReID أداءً أفضل من نظيره القائم على الشبكات العصبية العميقة (CNN) فقط. تم دمج المسارات الفردية للكاميرا (SCTs) لتكوين مسارات متعددة الكاميرات (MCTs) باستخدام خوارزمية التجميع التسلسلي الهرمي (HAC) مع قيود زمنية ومكانية (يُشار إلى الخوارزمية المقترحة باسم MCT#MAC). تم قياس التشابه بين المسارات الفردية من خلال مقارنة متوسط ميزات ReID المجمعة على طول المسار. تم تقييم النظام على مجموعة أكبر من البيانات، وأظهرت تجاربنا أن تقييد خوارزمية HAC من خلال تعديل مصفوفة القربية يُحسّن بشكل كبير من مؤشر IDF1 في التتبع متعدد الكاميرات.