融合时空特征的隧道场景跨相机车辆实时跟踪方法

跨相机车辆跟踪对实现智慧交通具有重要意义,在隧道场景中,由于环境照度较低、同型车辆特征相似等因素的影响,现有目标重识别方案难以满足实际应用中对车辆跟踪精度和实时性的要求。考虑隧道交通场景下车辆的车型和时空特征,提出了一种融合时空特征的跨相机多目标跟踪方法。在YOLOv7目标检测模型中加入归一化注意力模块(NAM),使模型更关注感兴趣区域,结合相机标定获得车辆在真实空间中位置坐标。在卡尔曼滤波的基础上结合车辆速度进行目标位置预测,引入二次关联策略(BYTE)完成单相机下车辆跟踪,并使用间隔帧方法提高跟踪速度。提出以车型和时空特征为基础的跨相机目标匹配代价矩阵,采用匈牙利算法完成车辆目标匹配,从而实现跨相机车辆目标跟踪,生成隧道场景的车辆目标时空图。在构建的隧道场景跨相机车辆目标跟踪数据集上实验结果表明:跟踪准确度达到82.1%,检测跟踪整体速度达到115 FPS,跨相机目标匹配正确率达到94.9%,跟踪速度与精度优于其他方法。

跨相机交通场景下的车辆空间定位方法

为解决交通应用中的跨相机全场景车辆空间定位问题,利用单目相机,提出一种全场景透视拼接及车辆3D检测相结合的方法.首先提出一种交通场景下的相机自动标定方法,通过构建相机标定空间模型,自动求取标定参数并优化;然后利用公共区域的特征点,将多相机空间坐标系进行变换统一,为直观体现全场景物理空间,将各场景透视变换至统一的像素-物理坐标系中;最后,针对单目视觉下的车辆3D定位难题,利用车辆投影的几何约束,建立优化模型构建精细化的3D包络,以3D包络质心作为车辆空间定位点,同时可映射至像素-物理坐标系,体现车辆的动态信息.在具有人工特征点的实验环境及无人工特征点的实际应用环境中,对于跨场景的多类型车辆进行空间定位实验验证,实验结果表明,该方法可解决交通视频监控中的车辆跨相机大场景下的空间定位难题,在选取的实验场景中综合定位精度可达到厘米级,且实时性较好.

车路协同系统可用技术分析

本文针对车辆自身的主动周边障碍物感知会受到感知距离、恶劣天气、障碍物等影响的情况,提出了对实现该功能技术领域中可行性较高的技术,例如利用多种技术融合,包括基于模式识别与视觉跟踪的多目标识别与跟踪、基于重识别的目标跨相机接力跟踪、基于地理位置的空间映射、基于道路的语义分割等,补充单车智能的不足,不受限于车身传感器和视野范围,感知远距离障碍物和盲区预警,利用场区摄像头辅助保障行车安全。在工业作业区域,安全是第一要务,结合本身场区规范化的无人车IGV使用等优势,可以落地并投入使用,促进工业进一步发展。

基于生成对抗网络与自校准卷积的行人重识别

针对行人重识别过程中跨相机拍摄导致的行人图像风格差异问题,提出了一种基于循环矢量量化生成对抗网络(CVQGAN)与自校准卷积模块的学习框架。设计了一种离散化的矢量量化模块,将该模块用于生成器由编码到解码的过程中,利用矢量量化空间中的离散矢量解决了原始生成器产生噪声伪图像的问题,从而生成质量更高的风格转换图像。将自校准卷积模块融合至Resnet50主干网络的卷积层中,利用多分支网络结构对各支路进行不同的卷积操作,以获取表征能力更强的特征,进一步解决同一行人在不同相机下的风格差异问题。在Market1501和DukeMTMC-reID数据集上对所提算法进行有效性实验验证,结果表明本文算法能够有效提高行人重识别的准确率和鲁棒性。