Optimizing ROI Benefits Vehicle ReID in ITS

本研究探究了在智能交通系统中，通过车辆检测置信度指导选择最佳车辆检测区域是否能够提高车辆再识别任务的特征匹配。车辆再识别是一项计算机视觉任务，旨在在监控系统中匹配不同摄像头或视角下的同一辆车。该研究使用多个感兴趣区域和车道车辆计数的框架，在12个印第安纳州高速公路视频中使用YOLOv8进行检测和DeepSORT进行跟踪，包括两对来自非重叠摄像头的视频。跟踪的车辆图像在五帧间隔内从感兴趣区域内和外进行裁剪。使用预训练模型ResNet50、ResNeXt50、Vision Transformer和Swin-Transformer提取特征。通过余弦相似度、信息熵和聚类方差评估特征的一致性。结果表明，与涉及一张感兴趣区域内和一张感兴趣区域外的图像相比，从感兴趣区域内裁剪的图像特征具有更高的平均余弦相似度值。在夜间条件（Swin-Transformer内部0.7842 vs外部0.5）和跨摄像头场景（Vision Transformer内部-内部0.75 vs内部-外部0.52）中观察到最显著的差异。信息熵和聚类方差进一步支持了感兴趣区域内的特征更一致的结论。这些发现表明，策略性选择感兴趣区域可以提高智能交通系统中的跟踪性能和车辆再识别准确性。

本论文旨在探讨是否通过检测置信度指导最佳车辆检测区域，可以增强特征匹配和车辆再识别任务的性能。这是否是一个新问题？

本文提出了一种新的框架，使用多个感兴趣区域（ROIs）和车道级车辆计数，通过YOLOv8进行检测和DeepSORT进行跟踪，提取特征使用预训练模型：ResNet50，ResNeXt50，Vision Transformer和Swin-Transformer。实验结果表明，ROIs内裁剪的图像特征具有更高的一致性和准确性，特别是在夜间和跨摄像头情况下。

实验使用了12个印第安纳高速公路视频，包括两对来自非重叠摄像头的视频。信息熵和聚类方差支持ROIs内的特征更一致。本文提出的框架可以增强ITS中的跟踪性能和再识别准确性。

最近的相关研究包括：Vehicle Re-Identification with Learned Representation and Spatial Verification，Vehicle Re-Identification with Content and Context Information，以及Vehicle Re-Identification with the Space-Time Prior.