Vision-based Vehicle Re-identification in Bridge Scenario using Flock Similarity

由于道路交通流量监控和公共安全管理的需要，视频监控摄像头广泛分布在城市道路上。然而，每个摄像头直接捕获的信息是孤立的，难以有效利用。车辆重新识别是指在另一个摄像头下找到出现的车辆，可以相关多个摄像头捕获的信息。虽然车牌识别在某些应用中起着重要作用，但在某些情况下，基于车辆外观的重新识别方法更为适合。主要挑战在于车辆外观数据具有高类间相似性和大类内差异的特点。因此，仅依靠车辆外观信息很难准确区分不同的车辆。此时，通常需要引入一些额外的信息，例如时空信息。然而，在桥梁场景中，车辆通过两个相邻摄像头时，车辆的相对位置很少改变。本文提出了一种基于群体相似度的车辆重新识别方法，通过利用目标车辆附近的车辆信息来提高车辆重新识别的准确性。当车辆的相对位置保持不变且群体大小适当时，我们在VeRi数据集上的实验中获得了平均相对提高204％的效果。然后，讨论了车辆通过两个摄像头时相对位置变化的大小的影响。我们提出了两个可用于量化差异并建立它们之间联系的度量标准。尽管这种假设是基于桥梁场景的，但由于驾驶安全和摄像头位置的原因，它在其他场景中通常也是正确的。

论文旨在解决城市道路交通流量监测和公共安全管理中的车辆重新识别问题，提出了一种基于群集相似度的车辆重新识别方法。

论文提出了一种利用目标车辆附近的车辆信息来提高车辆重新识别准确性的方法，通过群集相似度来实现。该方法在桥梁场景中表现良好，可以显著提高车辆重新识别的准确性。

论文使用了VeRi数据集进行实验，结果表明该方法在群集大小适当且车辆相对位置不变时，可以获得平均相对提高204%的效果。论文还讨论了车辆通过两个相邻摄像头时相对位置变化的影响，并提出了两个度量方法来量化差异。虽然这个假设是基于桥梁场景的，但由于驾驶安全和摄像头位置的原因，在其他场景中也经常成立。

在这个领域中，最近的一些相关研究包括：《Vehicle Re-Identification in a Camera Network Based on Spatio-Temporal Similarity》、《Vehicle Re-Identification with Learned Representation and Spatial Verification》等。