Neues Framework steigert Fahrzeug‑Re‑Identifikation in Tunneln

Einführung

Forscher haben ein neuartiges Framework vorgestellt, das die Fahrzeug‑Re‑Identifikation (Re‑ID) in Tunnelumgebungen deutlich verbessert. Das System kombiniert eine leichtgewichtige Detektion mit einem optimierten Re‑ID‑Modell und erreicht laut den veröffentlichten Ergebnissen eine Erkennungsgenauigkeit von 94,18 % bei Echtzeit‑Verarbeitung.

Herausforderung

Die Identifikation von Fahrzeugen in Tunneln ist durch niedrige Auflösung, stark variierende Beleuchtung und häufige Verdeckungen erschwert. Diese Bedingungen reduzieren die Leistungsfähigkeit herkömmlicher Bild‑ und Mustererkennungsalgorithmen erheblich.

Detektionsmodul

Im Front‑End wird das Modell YOLOv11n eingesetzt, das für seine geringe Größe und hohe Geschwindigkeit bekannt ist. In den Tests erreichte das Modul eine mittlere durchschnittliche Präzision (mAP) von 98,63 % bei einer Bildrate von 242 fps.

Re‑ID‑Modell

Für die Fahrzeug‑Re‑ID wurde das FaceNet‑Konzept adaptiert: Der ursprüngliche Inception‑ResNet‑Backbone wurde durch MobileNetV3 ersetzt und um ein Koordinaten‑Aufmerksamkeitsmodul erweitert. Zusätzlich wurde ein gemeinsamer Verlust aus IoU‑basiertem Hard‑Triplet‑Mining und Center‑Loss integriert. Das resultierende Modell liefert 94,18 % Genauigkeit bei 25,43 fps, benötigt 0,81 GFLOPs und umfasst 3,51 M Parameter.

Datensatz

Ein tunnel­spezifischer Datensatz mit 12.000 Fahrzeugbildern wurde erstellt. Durch gezielte Datenaugmentation wurden unterschiedliche Lichtverhältnisse und Teilverdeckungen simuliert, um die Robustheit des Systems gegenüber realen Überwachungsszenarien zu erhöhen.

Ergebnisse

Im Vergleich zu etablierten Baselines übertrifft das vorgestellte Re‑ID‑Modell alle getesteten Verfahren. Der Area‑Under‑Curve‑Wert (AUC) verbesserte sich um 2,44 % gegenüber dem besten Referenzmodell.

Ablationsstudie

Einzelne Komponenten des Frameworks wurden systematisch entfernt, um deren Beitrag zu quantifizieren. Sowohl das MobileNetV3‑Backbone als auch das Koordinaten‑Aufmerksamkeitsmodul steigerten die Genauigkeit signifikant, während die kombinierte Verlustfunktion die Klassentrennung weiter verfeinerte.

Ausblick

Die Autoren sehen Potenzial für die Integration multimodaler Sensoren und für Transfer‑Learning‑Ansätze, die das Modell auf andere Tunnel‑ oder Infrastruktur‑Umgebungen übertragen könnten. Damit könnte die Methode zu einer breiteren Anwendung in intelligenten Verkehrssystemen führen.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access).