Un equipo de investigadores de JD AI Research y de la Universidad de Beijing ha desarrollado recientemente un sistema de búsqueda progresiva de vehículos para redes de videovigilancia. llamado PVSS. Su sistema, presentado en un artículo publicado previamente en arXiv, puede buscar de manera efectiva un vehículo específico que apareció en las imágenes de vigilancia.

Los sistemas de búsqueda de vehículos podrían tener muchas aplicaciones útiles, incluida la habilitación de un transporte más inteligente y una vigilancia automatizada. Tales sistemas podrían, por ejemplo, Permitir a los usuarios ingresar un vehículo de consulta, área de búsqueda e intervalo de tiempo para averiguar dónde se encontraba el vehículo en diferentes momentos del día.

Los métodos de búsqueda de vehículos existentes generalmente asumen que todas las imágenes del vehículo están bien recortadas de los videos de vigilancia, utilizando atributos visuales o números de matrícula para identificar el vehículo objetivo dentro de estas imágenes. Estos enfoques se centran principalmente en la coincidencia de vehículos basada en contenido, también conocido como reidentificación del vehículo (Re-Id).

En años recientes, Los descriptores hechos a mano y las redes neuronales convolucionales (CNN) han mejorado enormemente estos métodos. Sin embargo, Identificar un vehículo específico basándose únicamente en los atributos puede ser una tarea muy desafiante debido a los cambios dentro de la instancia en diferentes cámaras y las diferencias entre instancias entre vehículos similares. En algunos casos, Las placas de matrícula también se pueden reconocer erróneamente en las imágenes de vigilancia debido a la baja resolución y al ruido.

"Un sistema completo de búsqueda de vehículos debe considerar los problemas de detección de vehículos, representación, indexación, almacenamiento, pareo, etcétera, "explican los investigadores en su artículo". Además, La búsqueda basada en atributos no puede encontrar con precisión el mismo vehículo debido a cambios dentro de la instancia en diferentes cámaras y al entorno extremadamente incierto ".

PVSS, el sistema de búsqueda progresiva de vehículos desarrollado por los investigadores, aborda las limitaciones de los enfoques actuales. El sistema se compone de tres módulos clave:el rastreador de datos del vehículo, el indexador de vehículos basado en características multigrano y el buscador progresivo de vehículos.

"Para garantizar una alta precisión y eficiencia durante la búsqueda, una serie de estructuras de datos están diseñadas para el sistema de búsqueda de vehículos, "escriben los investigadores en su artículo". En el rastreador, de las redes de vigilancia no solo se extraen contenidos visuales sino también información contextual. Los datos multimodales son luego explotados por modelos basados ​​en aprendizaje profundo para obtener características discriminatorias y robustas de los vehículos. que luego se organizan por índices multinivel. En el proceso de búsqueda, el vehículo se registra de forma progresiva, incluyendo la búsqueda de grueso a fino en el dominio de características y la búsqueda de cerca a lejana en el espacio físico ".

Esencialmente, el componente de orugas de vehículos detecta y rastrea vehículos en videos de vigilancia, transferir imágenes capturadas del vehículo, metadatos y otra información contextual a la nube o al servidor. Después, el componente indexador de vehículos extrae e indexa atributos de múltiples granos de los vehículos, como características visuales y huellas dactilares de la matrícula.

Una consulta que incluye una imagen del vehículo de entrada, así como el rango de tiempo y el alcance espacial de interés se alimentan al componente de búsqueda de vehículos, que busca progresivamente el vehículo en la base de datos de imágenes.

Los investigadores evaluaron su sistema de búsqueda progresiva de vehículos en el conjunto de datos de VeRi, que contiene más de 50, 000 imágenes recopiladas de 20 cámaras de vigilancia en entornos del mundo real. En estas pruebas, PVSS logró resultados notables, superando todos los métodos de búsqueda de solo apariencia y los métodos multimodales con los que se comparó.

"Los experimentos extensos en un conjunto de datos de búsqueda de vehículos a gran escala recopilados de la red de vigilancia del mundo real muestran los resultados de vanguardia del sistema propuesto, "escriben los investigadores en su artículo.

© 2019 Science X Network