Une équipe de chercheurs de JD AI Research et de l'Université de Pékin a récemment développé un système de recherche de véhicule progressif pour les réseaux de vidéosurveillance, appelé PVSS. Leur système, présenté dans un article pré-publié sur arXiv, peut rechercher efficacement un véhicule spécifique qui est apparu dans les images de surveillance.

Les systèmes de recherche de véhicules pourraient avoir de nombreuses applications utiles, y compris permettre un transport plus intelligent et une surveillance automatisée. De tels systèmes pourraient, par exemple, permettre aux utilisateurs de saisir un véhicule de requête, zone de recherche et intervalle de temps pour savoir où se trouvait le véhicule à différents moments de la journée.

Les méthodes de recherche de véhicules existantes supposent généralement que toutes les images de véhicules sont bien recadrées à partir de vidéos de surveillance, en utilisant des attributs visuels ou des numéros de plaque d'immatriculation pour identifier le véhicule cible dans ces images. Ces approches se concentrent principalement sur la mise en correspondance de véhicules basée sur le contenu, également connu sous le nom de réidentification du véhicule (Re-Id).

Dans les années récentes, les descripteurs fabriqués à la main et les réseaux de neurones convolutifs (CNN) ont considérablement amélioré ces méthodes. Néanmoins, identifier un véhicule spécifique basé uniquement sur des attributs peut être une tâche très difficile en raison des changements intra-instances dans différentes caméras et des différences inter-instances entre des véhicules similaires. Dans certains cas, les plaques d'immatriculation peuvent également être mal reconnues dans les images de surveillance en raison de la faible résolution et du bruit.

« Un système complet de recherche de véhicules devrait prendre en compte les problèmes de détection de véhicules, représentation, indexage, espace de rangement, correspondant à, etc, " expliquent les chercheurs dans leur article. " De plus, La recherche basée sur les attributs ne peut pas trouver avec précision le même véhicule en raison des changements intra-instances dans différentes caméras et de l'environnement extrêmement incertain."

PVSS, le système de recherche de véhicule progressif développé par les chercheurs, répond aux limites des approches actuelles. Le système est composé de trois modules clés :le crawler des données du véhicule, l'indexeur de véhicule basé sur des caractéristiques multigrains et le moteur de recherche de véhicule progressif.

"Pour garantir une grande précision et efficacité lors de la recherche, une série de structures de données sont conçues pour le système de recherche de véhicules, " écrivent les chercheurs dans leur article. " Dans le robot d'exploration, non seulement des contenus visuels mais aussi des informations contextuelles sont extraits des réseaux de surveillance. Les données multimodales sont ensuite exploitées par des modèles basés sur l'apprentissage profond pour obtenir des caractéristiques discriminantes et robustes des véhicules, qui sont ensuite organisés par les index multi-niveaux. Dans le processus de recherche, le véhicule est fouillé de manière progressive, y compris la recherche de grossière à fine dans le domaine des caractéristiques et la recherche de proche à lointain dans l'espace physique. »

Essentiellement, le composant de chenille de véhicule détecte et suit les véhicules dans les vidéos de surveillance, transférer des images de véhicules capturées, métadonnées et autres informations contextuelles vers le cloud ou le serveur. Ensuite, le composant indexeur de véhicule extrait et indexe des attributs multigrains des véhicules, telles que les caractéristiques visuelles et les empreintes digitales de la plaque d'immatriculation.

Une requête qui inclut une image de véhicule d'entrée, ainsi que la plage de temps et la portée spatiale d'intérêt sont ensuite transmises au composant de recherche de véhicule, qui recherche progressivement le véhicule dans la base de données d'images.

Les chercheurs ont évalué leur système de recherche de véhicule progressif sur l'ensemble de données VeRi, qui en contient plus de 50, 000 images collectées à partir de 20 caméras de surveillance dans des conditions réelles. Dans ces épreuves, PVSS a obtenu des résultats remarquables, surpassant toutes les méthodes de recherche d'apparence uniquement et les méthodes multimodales auxquelles il a été comparé.

"Des expériences approfondies sur un ensemble de données de recherche de véhicules à grande échelle collectées à partir d'un réseau de surveillance du monde réel montrent les résultats de pointe du système proposé, " écrivent les chercheurs dans leur article.

© 2019 Réseau Science X