Een topologiebewust spatiotemporeel handover-raamwerk voor continue multi-UAV-tracking

Samenvatting

De integratie van onbemande luchtvaartuigen (UAV's) in intelligente transportsystemen (ITS) biedt synoptisch zicht voor verkeersmonitoring, maar schaalbare implementatie wordt belemmerd door trajectfragmentatie, waarbij de persistentie van voertuigidentiteit verloren gaat over meerdere UAV-gezichtsvelden (FOV). Hoewel geavanceerde raamwerken uitblinken in het optimaliseren van lokale trajectextractie en stabiliteit voor beelden van één drone, functioneren ze vaak als geïsoleerde datasilo's die onsamenhangende trajecten genereren, waardoor netwerkanalyse zoals herkomst-bestemmingsschatting wordt uitgesloten. Dit artikel presenteert een real-time Multi-Camera Multi-Vehicle Tracking (MCMT)-systeem dat is ontworpen om wereldwijde identiteitspersistentie te beheren. Om de visuele dubbelzinnigheid en computationele kosten van op uiterlijk gebaseerde heridentificatie (Re-ID) in nadir-aanzichten aan te pakken, introduceren we een lichtgewicht topologiegebaseerd spatiotemporeel overdrachtsmechanisme. We implementeren een parallelle pijplijn met hoge doorvoer die gebruikmaakt van YOLO11 en ByteTrack om gelijktijdige 4K-streams te verwerken. Onze kernbijdrage is een deterministisch wachtrijgebaseerd matchingalgoritme dat geometrische overlappingen en virtuele rijstrookdiscretisatie gebruikt om identiteitsoverdracht voorspellend te beheren via FIFO-wachtrijen. Experimentele resultaten in complexe stedelijke omgevingen, waaronder kruispunten en samenvloeiend verkeer, tonen een overdrachtssuccespercentage (HOSR) van 99,8% aan in continue verkeersstromen, wat aanzienlijk beter presteert dan Re-ID-baselines (74,1%) en tegelijkertijd de haalbaarheid van implementatie aan de rand valideert. De broncode is beschikbaar op 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.