Resumen

En este artículo, abordamos el problema de la actualización en línea del rastreador visual de objetos para servicios de coche compartido. La idea clave es ajustar la tasa de actualización de forma adaptativa según el rendimiento de seguimiento del fotograma actual. En lugar de establecer un peso fijo para todos los fotogramas en la actualización del modelo de objeto, asignamos al fotograma actual un peso mayor si su correspondiente resultado de seguimiento es relativamente preciso e ininterrumpido y un peso menor en caso contrario. Para ponerlo en práctica, se calcula la intersección sobre la unión (IOU) del cuadro delimitador estimado actual mediante un predictor de IOU que se entrena fuera de línea con un gran número de pares de imágenes y se utiliza como guía para ajustar los pesos de actualización en línea. Por último, incorporamos la estrategia de actualización de modelos propuesta en un rastreador de referencia ligero. Los resultados experimentales en conjuntos de datos de tráfico y de no tráfico verifican que, aunque el error del IOU predicho es inevitable, el método propuesto puede mejorar la precisión del seguimiento de objetos en comparación con el rastreador de objetos de línea de base.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:cuadro actual, rastreador de objetos de línea de base, servicios de coche compartido, rastreador de línea de base ligera, estrategia de actualización de modelos, rastreador visual de objetos, iou, predictor de iou, cuadro delimitador, pares de imágenes
• Keywords:current frame, baseline object tracker, car sharing services, lightweight baseline tracker, model update strategy, visual object tracker, iou, iou predictor, bounding box, image pairs