49、用于车辆重识别的姿态引导时空模型

用于车辆重识别的姿态引导时空模型

1. 研究动机

车辆的运动受到时空线索的约束，车辆通过一对摄像头的时间间隔必须在正常范围内。例如，在城市监控环境中，车辆不可能在一秒内行驶超过10公里。通过对VeRi数据集的时空信息分析发现，车辆的运动模式表现为时空分布，同一车辆在不同摄像头对之间的时空分布遵循不同参数的高斯分布。

然而，时空模型忽略了不同车辆从不同方向通过同一对摄像头的时间间隔可能相同或相近的问题。研究发现，车辆的行驶方向有助于区分车辆是否相同，可用于优化时空模型。由于摄像头网络中摄像头的固定拍摄方向不同，车辆被摄像头捕捉到的姿态也不同。结合车辆姿态和摄像头拍摄方向，可以估计车辆的相对运动方向。在实际交通环境中，车辆的行驶方向通常是稳定的，因此被每个摄像头捕捉到具有相同行驶方向的车辆很可能是同一辆车。基于此，提出了姿态引导时空模型（PGST），通过引入行驶方向估计来优化时空模型。

2. 研究方法

车辆重识别的任务是在摄像头网络中检索与查询车辆具有相同身份的所有车辆。为了清晰定义问题，引入了一些符号：
- 城市监控系统中，定义摄像头网络 $C = {C_0, C_1, C_2, \ldots, C_M}$，由 $M + 1$ 个视野不重叠的摄像头组成。
- 第 $i$ 辆车在摄像头 $C_n$ 处表示为 $O_i^n$。
- $t_i^n$ 表示车辆 $O_i^n$ 被摄像头 $C_n$ 捕捉到的时刻。
- 车辆通过一对摄像头的时间间隔 $\Delta t_{i,j}^{n \to m} = t_i^n - t_j^m$。
- 车辆重识别问题可描述为 $Pr(\Upsilon(O_i^n) = \Upsil