Uma equipe de pesquisadores da JD AI Research e da Universidade de Pequim desenvolveu recentemente um sistema de busca progressiva de veículos para redes de vigilância por vídeo, chamado PVSS. Seu sistema, apresentado em um artigo pré-publicado no arXiv, pode pesquisar com eficácia um veículo específico que apareceu nas imagens de vigilância.

Os sistemas de busca de veículos podem ter muitas aplicações úteis, incluindo a habilitação de transporte mais inteligente e vigilância automatizada. Esses sistemas poderiam, por exemplo, permitem que os usuários insiram um veículo de consulta, área de pesquisa e intervalo de tempo para descobrir onde o veículo estava localizado em horários diferentes durante o dia.

Os métodos de pesquisa de veículos existentes normalmente assumem que todas as imagens de veículos são bem cortadas a partir de vídeos de vigilância, usando atributos visuais ou números de placas para identificar o veículo alvo dentro dessas imagens. Essas abordagens se concentram principalmente na correspondência de veículos com base em conteúdo, também conhecido como reidentificação do veículo (Re-Id).

Nos últimos anos, descritores feitos à mão e redes neurais convolucionais (CNNs) aprimoraram muito esses métodos. Apesar disso, identificar um veículo específico com base unicamente em atributos pode ser uma tarefa muito desafiadora devido a mudanças intra-instância em câmeras diferentes e diferenças entre instâncias entre veículos semelhantes. Em alguns casos, placas também podem ser reconhecidas incorretamente em imagens de vigilância devido à baixa resolução e ao ruído.

"Um sistema completo de busca de veículos deve considerar os problemas de detecção de veículos, representação, indexação, armazenar, Coincidindo, e assim por diante, "os pesquisadores explicam em seu artigo." Além disso, a pesquisa baseada em atributos não pode encontrar com precisão o mesmo veículo devido a mudanças intra-instância em câmeras diferentes e o ambiente extremamente incerto. "

PVSS, o sistema de busca progressiva de veículos desenvolvido pelos pesquisadores, aborda as limitações das abordagens atuais. O sistema é composto por três módulos principais:o rastreador de dados do veículo, o indexador de veículos com base em recursos multi-granulados e o buscador de veículos progressivo.

"Para garantir alta precisão e eficiência durante a pesquisa, uma série de estruturas de dados são projetadas para o sistema de busca de veículos, "os pesquisadores escrevem em seu artigo." No rastreador, não apenas conteúdos visuais, mas também informações contextuais são extraídas das redes de vigilância. Os dados multimodais são então explorados por modelos baseados em aprendizagem profunda para obter características discriminativas e robustas de veículos, que são então organizados pelos índices multinível. No processo de pesquisa, o veículo é revistado de forma progressiva, incluindo a pesquisa do grosso ao fino no domínio do recurso e a pesquisa do próximo ao distante no espaço físico. "

Essencialmente, o componente rastreador de veículos detecta e rastreia veículos em vídeos de vigilância, transferência de imagens capturadas do veículo, metadados e outras informações contextuais para a nuvem ou servidor. Subseqüentemente, o componente indexador de veículo extrai e indexa atributos multi-granulados dos veículos, como recursos visuais e impressões digitais de placas de veículos.

Uma consulta que inclui uma imagem de veículo de entrada, bem como o intervalo de tempo e o escopo espacial de interesse são então alimentados para o componente do buscador de veículos, que procura progressivamente o veículo na base de dados de imagens.

Os pesquisadores avaliaram seu sistema de busca progressiva de veículos no conjunto de dados VeRi, que contém mais de 50, 000 imagens coletadas de 20 câmeras de vigilância em configurações do mundo real. Nestes testes, PVSS alcançou resultados notáveis, superando todos os métodos de pesquisa apenas de aparência e métodos multimodais aos quais foi comparado.

"Extensos experimentos em um conjunto de dados de pesquisa de veículos em grande escala coletados da rede de vigilância do mundo real mostram os resultados de última geração do sistema proposto, "os pesquisadores escrevem em seu artigo.

© 2019 Science X Network