Een team van onderzoekers van JD AI Research en Beijing University heeft onlangs een progressief voertuigzoeksysteem ontwikkeld voor videobewakingsnetwerken, PVSS genoemd. hun systeem, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, kan effectief zoeken naar een specifiek voertuig dat op bewakingsbeelden is verschenen.

Voertuigzoeksystemen kunnen veel nuttige toepassingen hebben, inclusief het mogelijk maken van slimmer transport en geautomatiseerd toezicht. Dergelijke systemen kunnen, bijvoorbeeld, gebruikers in staat stellen een zoekvoertuig in te voeren, zoekgebied en tijdsinterval om te achterhalen waar het voertuig zich op verschillende tijdstippen van de dag bevond.

Bestaande voertuigzoekmethoden gaan er doorgaans van uit dat alle voertuigafbeeldingen goed zijn bijgesneden uit bewakingsvideo's, met behulp van visuele attributen of kentekennummers om het doelvoertuig binnen deze afbeeldingen te identificeren. Deze benaderingen zijn voornamelijk gericht op op inhoud gebaseerde voertuigmatching, ook bekend als voertuigheridentificatie (Re-Id).

In recente jaren, handgemaakte descriptoren en convolutionele neurale netwerken (CNN's) hebben deze methoden aanzienlijk verbeterd. Niettemin, het identificeren van een specifiek voertuig uitsluitend op basis van attributen kan een zeer uitdagende taak zijn vanwege interne wijzigingen in verschillende camera's en inter-instantie verschillen tussen vergelijkbare voertuigen. In sommige gevallen, kentekenplaten kunnen ook verkeerd worden herkend in bewakingsbeelden vanwege de lage resolutie en ruis.

"Een compleet voertuigzoeksysteem moet rekening houden met de problemen van voertuigdetectie, vertegenwoordiging, indexeren, opslag, bij elkaar passen, enzovoort, ' leggen de onderzoekers uit in hun paper. 'Bovendien, op attributen gebaseerd zoeken kan hetzelfde voertuig niet nauwkeurig vinden vanwege interne wijzigingen in verschillende camera's en de extreem onzekere omgeving."

PVSS, het door de onderzoekers ontwikkelde progressieve voertuigzoeksysteem, gaat in op de beperkingen van de huidige benaderingen. Het systeem bestaat uit drie belangrijke modules:de crawler van voertuiggegevens, de voertuigindexeerder op basis van meerkorrelige functies en de progressieve voertuigzoeker.

"Om een ​​hoge nauwkeurigheid en efficiëntie tijdens het zoeken te garanderen, een reeks gegevensstructuren zijn ontworpen voor het voertuigzoeksysteem, ' schrijven de onderzoekers in hun paper. 'In de crawler, niet alleen visuele inhoud, maar ook contextuele informatie wordt uit de bewakingsnetwerken gehaald. De multimodale gegevens worden vervolgens benut door op deep learning gebaseerde modellen om discriminerende en robuuste kenmerken van voertuigen te verkrijgen, die vervolgens worden georganiseerd door de indexen op meerdere niveaus. In het zoekproces, het voertuig wordt progressief doorzocht, inclusief het van grof naar fijn zoeken in het kenmerkdomein en het van dichtbij naar ver zoeken in de fysieke ruimte."

Eigenlijk, de voertuigcrawlercomponent detecteert en volgt voertuigen in bewakingsvideo's, het overbrengen van vastgelegde voertuigbeelden, metadata en andere contextuele informatie naar de cloud of server. Vervolgens, de component voertuigindexeerder extraheert en indexeert meerkorrelige attributen van de voertuigen, zoals visuele kenmerken en vingerafdrukken van kentekenplaten.

Een zoekopdracht die een invoerafbeelding van een voertuig bevat, evenals het tijdbereik en de ruimtelijke reikwijdte van belang wordt vervolgens naar de voertuigzoekercomponent gevoerd, die geleidelijk naar het voertuig zoekt in de beeldbank.

De onderzoekers evalueerden hun progressieve voertuigzoeksysteem op de VeRi-dataset, die meer dan 50 bevat, 000 beelden verzameld van 20 bewakingscamera's in echte omgevingen. Bij deze testen PVSS behaalde opmerkelijke resultaten, beter presteerde dan alle zoekmethoden met alleen uiterlijk en multimodale methoden waarmee het werd vergeleken.

"Uitgebreide experimenten met een grootschalige zoekdataset voor voertuigen, verzameld van een real-world surveillancenetwerk, tonen de state-of-the-art resultaten van het voorgestelde systeem, ' schrijven de onderzoekers in hun paper.

© 2019 Wetenschap X Netwerk