Un cadre de transfert spatio-temporel conscient de la topologie pour le suivi continu de multiples UAV

Résumé

L'intégration de véhicules aériens sans pilote (UAV) dans les systèmes de transport intelligents (ITS) offre une visibilité synoptique pour la surveillance du trafic, mais leur déploiement à grande échelle est entravé par la fragmentation des trajectoires, où la persistance de l'identité des véhicules est perdue à travers les champs de vision (FOV) multi-UAV. Bien que les cadres de pointe excellent dans l'optimisation de l'extraction locale des trajectoires et de la stabilité pour l'imagerie de drones uniques, ils fonctionnent souvent comme des silos de données isolés qui génèrent des trajectoires disjointes, empêchant ainsi l'analyse au niveau du réseau, telle que l'estimation origine-destination. Cet article présente un système de suivi multi-caméras et multi-véhicules (MCMT) en temps réel, conçu pour assurer la persistance globale de l'identité. Pour remédier à l'ambiguïté visuelle et au coût de calcul de la ré-identification (Re-ID) basée sur l'apparence dans les vues zénithales, nous introduisons un mécanisme léger de transfert spatiotemporel basé sur la topologie. Nous mettons en œuvre un pipeline parallèle à haut débit utilisant YOLO11 et ByteTrack pour traiter des flux 4K simultanés. Notre contribution principale est un algorithme d'appariement déterministe basé sur des files d'attente, qui exploite les chevauchements géométriques et la discrétisation virtuelle des voies pour gérer de manière prédictive le transfert d'identité via des files FIFO. Les résultats expérimentaux sur des environnements urbains complexes, y compris des intersections et des flux de trafic en convergence, démontrent un taux de réussite de transfert (HOSR) de 99,8 % dans les flux de trafic continus, surpassant significativement les bases de référence de Re-ID (74,1 %) tout en validant la faisabilité d'un déploiement en périphérie. Le code source est disponible à l'adresse 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.