연속적인 다중 무인기 추적을 위한 토폴로지 인식 시공간 핸드오버 프레임워크

초록

무인항공기(UAV)를 지능형 교통 시스템(ITS)에 통합하면 교통 모니터링을 위한 광역적 가시성을 확보할 수 있지만, 다중 UAV 시야(FOV) 간 차량 식별 지속성이 상실되는 궤적 단편화로 인해 확장 가능한 배치가 어렵다. 최신 프레임워크는 단일 드론 영상에서의 로컬 궤적 추출 및 안정성 최적화에 탁월하지만, 종종 분리된 데이터 저장소 역할을 하여 단절된 궤적을 생성하므로 기종점 추정과 같은 네트워크 수준의 분석이 불가능하다. 본 논문은 글로벌 식별 지속성을 처리하도록 설계된 실시간 다중 카메라 다중 차량 추적(MCMT) 시스템을 제시한다. 수직 시점에서의 외형 기반 재식별(Re-ID)의 시각적 모호성과 계산 비용을 해결하기 위해, 경량의 토폴로지 기반 시공간 핸드오버 메커니즘을 도입한다. YOLO11 및 ByteTrack을 활용한 고처리량 병렬 파이프라인을 구현하여 동시 4K 스트림을 처리한다. 주요 기여는 기하학적 중첩과 가상 차선 이산화를 활용하여 FIFO 큐를 통해 식별 핸드오버를 예측적으로 관리하는 결정론적 큐 기반 매칭 알고리즘이다. 교차로 및 합류 교통량을 포함한 복잡한 도시 환경에서의 실험 결과, 연속 교통 흐름에서 99.8%의 핸드오버 성공률(HOSR)을 달성하여 Re-ID 기준 모델(74.1%)을 크게 능가하였으며, 엣지 배치 가능성을 검증하였다. 소스 코드는 https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system 에서 확인할 수 있다.

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.