论文页面 - 一种面向连续多无人机跟踪的拓扑感知时空切换框架

来源：https://huggingface.co/papers/2605.15779

摘要

面向实时多摄像头多车辆跟踪系统，通过基于拓扑的时空切换机制和确定性队列匹配算法，解决了无人机交通监控中的轨迹碎片化问题。

将无人机（UAV）集成到智能交通系统（ITS）中，能够为交通监控提供俯视全局视野，但可扩展部署受到轨迹碎片化的阻碍——即跨多无人机视场（FOV）时车辆身份连续性丢失。虽然最先进的框架在优化单无人机影像的局部轨迹提取与稳定性方面表现出色，但往往作为独立数据孤岛运行，生成不连续的轨迹，从而无法进行网络级分析（例如起讫点估计）。本文提出一种实时多摄像头多车辆跟踪（MCMT）系统，旨在处理全局身份连续性。针对俯视视角中基于外观的重识别（Re-ID）存在的视觉模糊性与计算成本，我们引入了一种轻量级的基于拓扑的时空切换机制。我们实现了一个高吞吐量的并行流水线，利用YOLO11和ByteTrack处理并发的4K视频流。我们的核心贡献是一种确定性队列匹配算法，利用几何重叠和虚拟车道离散化，通过先进先出（FIFO）队列预测性地管理身份切换。在复杂城市环境（包括交叉口和合流交通）上的实验结果表明，连续交通流中的切换成功率（HOSR）达到99.8%，显著优于基于重识别的基线方法（74.1%），同时验证了边缘部署的可行性。源代码可在 https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system 获取。

查看 arXiv 页面 (https://arxiv.org/abs/2605.15779) 查看 PDF (https://arxiv.org/pdf/2605.15779) 项目页面 (https://www.jye.me/ICUAS2026/) GitHub1 (https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.15779)

在您的代理中获取此论文：

hf papers read 2605.15779

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

暂无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.15779 以在此页面建立链接。

引用此论文的数据集1

jye9/Multi-Camera-Multi-Vehicle-Tracking-System 查看器•1分钟前更新 • 3 (https://huggingface.co/datasets/jye9/Multi-Camera-Multi-Vehicle-Tracking-System)

引用此论文的 Spaces0

暂无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.15779 以在此页面建立链接。

包含此论文的收藏集0

暂无收藏集包含此论文

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以在此页面建立链接。