Un marco de traspaso espaciotemporal consciente de la topología para el seguimiento continuo de múltiples UAVs

Resumen

La integración de Vehículos Aéreos No Tripulados (UAV) en los Sistemas Inteligentes de Transporte (ITS) ofrece una visión sinóptica para la monitorización del tráfico; sin embargo, su despliegue escalable se ve obstaculizado por la fragmentación de trayectorias, donde se pierde la persistencia de la identidad de los vehículos a través de los Campos de Visión (FOV) de múltiples UAV. Si bien los marcos de trabajo de última generación destacan en la optimización de la extracción local de trayectorias y su estabilidad para imágenes de un solo dron, a menudo funcionan como silos de datos aislados que generan trayectorias inconexas, impidiendo así el análisis a nivel de red, como la estimación Origen-Destino. Este artículo presenta un sistema de Seguimiento Multi-Cámara Multi-Vehículo (MCMT) en tiempo real diseñado para manejar la persistencia global de identidades. Abordando la ambigüedad visual y el costo computacional de la Re-Identificación (Re-ID) basada en apariencia en vistas cenitales, introducimos un mecanismo ligero de Transferencia Espaciotemporal Basada en Topología. Implementamos un pipeline paralelo de alto rendimiento que aprovecha YOLO11 y ByteTrack para procesar flujos 4K concurrentes. Nuestra contribución principal es un algoritmo de emparejamiento determinista basado en colas que utiliza solapamientos geométricos y discretización de carriles virtuales para gestionar de forma predictiva la transferencia de identidades mediante colas FIFO. Los resultados experimentales en entornos urbanos complejos, que incluyen intersecciones y tráfico en convergencia, demuestran una Tasa de Éxito de Transferencia (HOSR) del 99.8% en flujos de tráfico continuos, superando significativamente las líneas base de Re-ID (74.1%), a la vez que validan la viabilidad del despliegue en el borde. El código fuente está disponible en https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system.

English

The integration of Unmanned Aerial Vehicles(UAVs) into Intelligent Transportation Systems (ITS) offers synoptic visibility for traffic monitoring, yet scalable deployment is hindered by trajectory fragmentation, where vehicle identity persistence is lost across multi-UAV Fields of View (FOV). While state-of-the-art frameworks excel in optimizing local trajectory extraction and stability for single-drone imagery, they often function as isolated data silos that generate disjointed trajectories, thereby precluding network-level analysis such as Origin-Destination estimation. This paper presents a real-time Multi-Camera Multi-Vehicle Tracking (MCMT) system designed to handle global identity persistence. Addressing the visual ambiguity and computational cost of appearance-based Re-Identification (Re-ID) in nadir views, we introduce a lightweight Topology-Based Spatiotemporal Handover mechanism. We implement a high-throughput parallel pipeline leveraging YOLO11 and ByteTrack to process concurrent 4K streams. Our core contribution is a deterministic queue-based matching algorithm that utilizes geometric overlaps and virtual lane discretization to predictively manage identity handover via FIFO queues. Experimental results on complex urban environments, including intersections and merging traffic, demonstrate a Handover Success Rate (HOSR) of 99.8% in continuous traffic flows, significantly outperforming Re-ID baselines (74.1%) while validating edge deployment feasibility. The source code is available at https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system.