Пространственно-временной фреймворк хэндовера с учетом топологии для непрерывного отслеживания множества БПЛА

Аннотация

Интеграция беспилотных летательных аппаратов (БПЛА) в интеллектуальные транспортные системы (ИТС) обеспечивает синоптическую обзорность для мониторинга дорожного движения, однако масштабируемое развертывание затрудняется фрагментацией траекторий — потерей сохранения идентичности транспортных средств при переходе между полями зрения (ПЗ) нескольких БПЛА. Современные фреймворки, превосходно справляющиеся с задачей локального извлечения траекторий и обеспечения стабильности на одиночных дроновых изображениях, зачастую функционируют как изолированные хранилища данных, генерируя разрозненные траектории, что исключает возможность анализа на уровне сети, например, оценки источника и назначения. В данной статье представлена многокамерная система отслеживания множества транспортных средств (MCMT) реального времени, предназначенная для обеспечения глобальной устойчивости идентичности. Для устранения визуальной неоднозначности и вычислительной стоимости реидентификации (Re-ID) на основе внешнего вида при съемке в надир мы предлагаем легковесный топологически-пространственно-временной механизм передачи. Мы реализуем высокопроизводительный конвейер с параллельной обработкой, использующий YOLO11 и ByteTrack для одновременной обработки потоков 4K. Основной вклад нашей работы — это детерминированный алгоритм сопоставления на основе очередей, который использует геометрические перекрытия и виртуальную дискретизацию полос движения для прогнозируемого управления передачей идентичности через очереди FIFO. Экспериментальные результаты на сложных городских сценариях, включая перекрестки и сливающиеся потоки движения, демонстрируют коэффициент успешности передачи (HOSR) 99,8% в непрерывных транспортных потоках, что значительно превосходит базовые алгоритмы Re-ID (74,1%) и подтверждает возможность развертывания на граничных устройствах. Исходный код доступен по адресу 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.