계층적 군집화와 제약 조건을 기반으로 한 다중 카메라 트래잭토리 매칭

딥러닝 기법의 급속한 발전은 이미지 분류, 객체 탐지 및 객체 추적 분야에서 획기적인 성과를 이끌어냈다. 특히 현장에 설치된 고정 위치의 다중 카메라 구성 시스템을 갖춘 자율 주행 및 교통 모니터링 시스템은 이러한 기술 발전으로 큰 이익을 얻고 있다. 본 논문에서는 시간 및 공간 제약 조건을 도입한 계층적 응집 클러스터링( hierarchical agglomerative clustering, HAC) 기반의 제약된 계층적 클러스터링 솔루션을 활용하여, 다중 카메라 간 전환 시 객체의 추적 정확도를 향상시키는 다중 카메라 다중 객체(Multi-Camera Multi-Target, MCMT) 차량 추적 시스템을 제안한다. 차량 탐지 및 추적에는 YOLOv5, ByteTrack, 그리고 ResNet50-IBN ReID 네트워크를 사용한다. 고정된 속성인 차량 유형과 차량 색상은 SVM을 이용하여 ReID 특징에서 추출한다. 제안하는 ReID 특징 기반의 속성 분류 방식은 순수 CNN 기반 방법보다 우수한 성능을 보였다. 단일 카메라 궤적(Single-Camera Trajectories, SCTs)은 시간과 공간 제약 조건을 갖춘 HAC를 통해 다중 카메라 궤적(Multi-Camera Trajectories, MCTs)으로 통합되며, 본 논문에서 제안한 알고리즘은 MCT#MAC로 표기된다. SCT 간 유사도는 궤적에 누적된 평균 ReID 특징을 비교함으로써 측정된다. 다양한 데이터셋을 대상으로 시스템을 평가한 결과, 근접성 행렬(proximity matrix)을 조작함으로써 HAC에 제약을 가하는 것이 다중 카메라 IDF1 점수를 크게 향상시킨다는 것을 실험적으로 입증하였다.