Appariement de trajectoires à partir de multiples caméras basé sur un regroupement hiérarchique et des contraintes

L'amélioration rapide des méthodes d'apprentissage profond a permis des avancées majeures dans le domaine de la classification d'images, de la détection d'objets et du suivi d'objets. Les systèmes de conduite autonome et de surveillance du trafic, en particulier les configurations multi-caméras fixes installées sur site, tirent un bénéfice considérable de ces progrès récents. Dans cet article, nous proposons un système de suivi de véhicules multi-caméras et multi-objets (MCMT) basé sur une solution de regroupement hiérarchique contraint, qui améliore le correspondance des trajectoires et permet ainsi un suivi plus robuste des objets lors de leur transition entre caméras. Les réseaux YOLOv5, ByteTrack et ResNet50-IBN ReID sont utilisés pour la détection et le suivi des véhicules. Les attributs statiques tels que le type de véhicule et la couleur sont déterminés à partir des caractéristiques ReID à l’aide d’un SVM. La catégorisation des attributs basée sur les caractéristiques ReID proposée dans ce travail montre des performances supérieures à celles de sa variante purement basée sur CNN. Les trajectoires à caméra unique (SCT) sont combinées en trajectoires multi-caméras (MCT) à l’aide d’un regroupement agglomératif hiérarchique (HAC) sous contraintes temporelles et spatiales (l'algorithme proposé est désigné par MCT#MAC). Les similarités entre les SCT sont évaluées en comparant les caractéristiques ReID moyennes cumulées le long de chaque trajectoire. L'approche a été évaluée sur plusieurs jeux de données, et nos expérimentations démontrent que la contrainte appliquée au HAC par manipulation de la matrice de proximité améliore significativement le score IDF1 multi-caméras.