بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
عندما تشاهد سباق الفورمولا وان، من السهل أن تكتشف سيارة فريقك المفضل. يبرز اللون الأحمر الزاهي لسيارة فيراري أو الفضي لسيارة مرسيدس لفة بعد لفة.
إن الطلب من الآلة أن تفعل الشيء نفسه، ليس على مضمار سباق نظيف ولكن في شوارع المدينة المزدحمة والمليئة بحركة المرور، هو أمر أكثر صعوبة بكثير. لهذا السبب اكتسبت عملية إعادة تحديد هوية السيارة (إعادة تحديد هوية السيارة) اهتماماً في مجال الذكاء الاصطناعي مؤخراً.
تمنح إعادة تحديد هوية المركبة الآلات القدرة على التعرّف على المركبة نفسها عبر كاميرات متعددة الرؤية أو كاميرات غير متداخلة. ويهدف أيضاً إلى التعرف على المركبات بعد الانسداد المؤقت (عندما تكون المركبة مخفية جزئياً) أو التحولات في الإضاءة ووجهة النظر.
الرؤية الحاسوبية هي إحدى التقنيات الأساسية التي تدعم إعادة تحديد هوية المركبات. الرؤية الحاسوبية هي مجال فرعي للذكاء الاصطناعي يركز على تعليم الآلات فهم وتفسير المعلومات المرئية، مثل الصور والفيديو. وباستخدام هذه التقنية، يمكن لأنظمة الذكاء الاصطناعي تحليل ميزات المركبات track بشكل موثوق عبر شبكات الكاميرات الكبيرة لتطبيقات مثل المراقبة الحضرية ومراقبة حركة المرور.
على وجه الخصوص، نماذج الذكاء الاصطناعي المرئي مثل Ultralytics YOLO11 ونموذج Ultralytics YOLO26 القادم يدعم مهام مثل اكتشاف الأجسام وتتبعها. ويمكنها تحديد موقع المركبات بسرعة في كل إطار وتتبع حركتها عبر المشهد. عندما يتم دمج هذه النماذج مع شبكات إعادة تحديد هوية المركبات، يمكن للنظام المدمج التعرف على السيارة نفسها عبر لقطات الكاميرا المختلفة، حتى عندما تتغير المناظر أو ظروف الإضاءة.
الشكل 1. مثال على استخدام YOLO11 لتتبع المركبات وتقدير سرعتها(المصدر)
في هذه المقالة، نلقي نظرة على كيفية عمل إعادة تحديد هوية المركبات، والتكنولوجيا التي تجعلها ممكنة، وأين يتم استخدامها في أنظمة النقل الذكية. لنبدأ!
ما هي إعادة تحديد هوية المركبة؟
تُعد إعادة تحديد هوية المركبة تطبيقًا مهمًا في مجال الرؤية الحاسوبية. وهو يركّز على التعرّف على السيارة نفسها عند ظهورها عبر كاميرات مختلفة غير متداخلة، مع الحفاظ على هويتها ثابتة أثناء تحركها في المدينة. يمثل هذا الأمر تحديًا لأن كل كاميرا قد تلتقط السيارة من زاوية مختلفة أو تحت إضاءة مختلفة أو مع انسداد جزئي.
ضع في اعتبارك سيناريو تمر فيه سيارة سيدان زرقاء عبر تقاطع وتظهر لاحقًا في شارع مختلف، تشاهده كاميرا أخرى. لقد تغيرت الزاوية والإضاءة والخلفية، وقد تحجب سيارات أخرى الرؤية لفترة وجيزة. على الرغم من ذلك، لا يزال نظام إعادة تحديد هوية السيارة بحاجة إلى تحديد أنها السيارة نفسها.
وقد جعلت التطورات الحديثة في مجال التعلم العميق، خاصةً مع الشبكات العصبية التلافيفية (CNNs) والنماذج القائمة على المحولات، هذه العملية أكثر دقة بكثير. يمكن لهذه النماذج استخلاص أنماط بصرية ذات مغزى والتمييز بين المركبات المتشابهة مع الاستمرار في تحديد المركبة الصحيحة.
في أنظمة النقل الذكية، تدعم هذه الإمكانية في أنظمة النقل الذكية المراقبة المستمرة وإعادة بناء المسارات وتحليل حركة المرور على مستوى المدينة، مما يعطي أنظمة المدن الذكية صورة أوضح عن كيفية تحرك المركبات. فهي تساعد على تحسين السلامة والكفاءة.
فهم كيفية عمل إعادة تحديد هوية المركبة
عادةً ما يتم تحليل لقطات الفيديو من التقاطعات ومناطق وقوف السيارات والطرق السريعة باستخدام تقنيات إعادة تحديد هوية السيارة لتحديد ما إذا كانت السيارة نفسها تظهر عبر كاميرات مختلفة. ويشبه هذا المفهوم مفهوم إعادة تحديد هوية الأشخاص، حيث تقوم الأنظمة track الأفراد عبر مشاهدات متعددة، ولكن التركيز هنا على تحليل السمات الخاصة بالمركبة بدلاً من المظهر البشري.
تنطوي عملية القيام بذلك على عدة خطوات رئيسية، كل منها مصمم لمساعدة النظام على detect المركبات واستخراج سماتها البصرية ومطابقتها بشكل موثوق عبر وجهات نظر مختلفة.
على مستوى عالٍ، يقوم النظام أولاً باكتشاف المركبات في كل إطار ثم يستخرج ميزات مثل اللون والشكل والملمس لإنشاء تمثيل رقمي فريد أو تضمين لكل منها. تتم مقارنة هذه التضمينات عبر الزمن وعبر الكاميرات، وغالباً ما يتم دعمها من خلال تتبع الكائنات والتحقق من الزمان والمكان، لتحديد ما إذا كانت هناك مشاهدتان تنتميان إلى نفس المركبة.
الشكل 2. كيفية عمل إعادة تحديد هوية المركبة.(المصدر)
إليك نظرة عن كثب على هذه العملية:
اكتشاف الكائن: يقوم النظام أولاً بتحديد المركبات وتحديد مواقعها داخل كل إطار فيديو، بحيث يعرف بالضبط المناطق التي يجب معالجتها. يتم التعامل مع هذه الخطوة عادةً بواسطة نماذج اكتشاف الأجسام.
استخراج السمات: بعد الاكتشاف، تقوم شبكة مخصصة لإعادة تحديد الهوية أو استخلاص الملامح بتحليل كل محصول من محاصيل المركبات وتوليد خرائط الملامح أو تمثيلات الملامح التي تلتقط التفاصيل المرئية مثل اللون والشكل والملمس والأجزاء المميزة.
توليد التضمين: يتم تحويل هذه الميزات المستخرجة إلى تمثيل رقمي يسمى تضمين الميزة. يعمل هذا التضمين مثل البصمة الرقمية التي تلتقط كيفية ظهور السيارة من زوايا مختلفة. وقبل المطابقة، عادةً ما يتم تطبيع هذه التضمينات بحيث لا تتداخل الاختلافات الناتجة عن الإضاءة أو التباين أو إعدادات الكاميرا مع مقارنة الهوية. ويضمن التطبيع تركيز النظام على السمات ذات المغزى والمتعلقة بالهوية بدلاً من التشويش.
تتبع الأجسام: ضمن عرض كاميرا واحدة، تقوم خوارزميات التتبع بربط الاكتشافات عبر الإطارات، مما يساعد في الحفاظ على هوية متسقة أثناء تحرك السيارة عبر المشهد.
المطابقة بين الكاميرات: لمطابقة السيارة نفسها عبر كاميرات مختلفة، يقارن النظام التضمينات (التي تم إنشاؤها بواسطة شبكة إعادة التعرّف) مع معلومات التوقيت والموقع. تحدّد هذه الخطوة ما إذا كانت اللقطتان تنتميان إلى المركبة نفسها، حتى عندما لا تتداخل الكاميرات.
كيف يمكن لنماذج Ultralytics YOLO أن تدعم إعادة تحديد هوية السيارة
تلعب نماذج Ultralytics YOLO دورًا داعمًا مهمًا في خطوط أنابيب إعادة تحديد هوية المركبات. وعلى الرغم من أنها لا تؤدي عملية إعادة تحديد الهوية بمفردها، إلا أنها توفر قدرات أساسية أخرى، مثل الاكتشاف السريع والتتبع المستقر، والتي تعتمد عليها شبكات إعادة تحديد الهوية للمطابقة الدقيقة بين الكاميرات.
بعد ذلك، دعنا نلقي نظرة فاحصة على الكيفية التي يمكن بها لنماذج Ultralytics YOLO مثل YOLO11 تحسين أنظمة إعادة تحديد هوية المركبات.
وحدة دقيقة للكشف عن المركبات: الجزء الأول من أنظمة إعادة تحديد الهوية
أساس أي نظام لإعادة تحديد هوية أي مركبة هو الاكتشاف الدقيق للأجسام. تُعد نماذج Ultralytics YOLO مثل YOLO11 خيارًا رائعًا لهذا الغرض، حيث يمكنها detect المركبات بسرعة في كل إطار، حتى في المشاهد المزدحمة ذات الانسداد الجزئي أو حركة المرور الكثيفة أو ظروف الإضاءة المتغيرة.
يمكن أيضاً أن تكون مدربة بشكل مخصص، مما يعني أنه يمكنك ضبط النموذج على مجموعة البيانات الخاصة بك بحيث يتعلم التعرف على أنواع معينة من المركبات، مثل سيارات الأجرة أو شاحنات التوصيل أو مركبات الأسطول. هذا مفيد بشكل خاص عندما يتطلب الحل اكتشافاً أكثر تخصصاً. من خلال توفير مربعات تحديد نظيفة ودقيقة، تمنح نماذج Ultralytics YOLO شبكات Re-ID مدخلات عالية الجودة للعمل معها، مما يؤدي إلى مطابقة أكثر موثوقية عبر الكاميرات.
دعم التتبع الموثوق بكاميرا واحدة
بمجرد اكتشاف المركبات، يمكن لنماذج مثل YOLO11 أن تدعم أيضاً تتبع الأجسام الثابتة ضمن عرض كاميرا واحدة. تتبُّع الأجسام هو عملية تتبُّع مركبة مكتشفة عبر إطارات متتالية وتعيين معرّف ثابت لها أثناء تحركها.
من خلال الدعم المدمج لخوارزميات التتبع مثل ByteTrack وBoT-SORT في حزمةUltralytics Python يمكن لـ YOLO11 الحفاظ على معرفات متسقة أثناء تحرك المركبات عبر المشهد. يقلل هذا التتبع المستقر من تبديل الهويات قبل أن يتولى نظام إعادة التعرّف، مما يحسن في النهاية من دقة المطابقة بين الكاميرات.
إعادة تحديد هوية اختيارية على مستوى المتعقب لتحسين استقرار الهوية
بالإضافة إلى التتبع القياسي المستند إلى الحركة، تتضمن حزمة Ultralytics Python إمكانات إعادة تحديد الهوية الاختيارية المستندة إلى المظهر داخل متعقب BoT-SORT. وهذا يعني أنه يمكن للمتعقب استخدام ميزات المظهر المرئي، وليس فقط أنماط الحركة أو تداخل المربع المحيطي، لتحديد ما إذا كان هناك اكتشافان ينتميان إلى نفس المركبة.
عند التمكين، يستخرج BoT-SORT تضمينات مظهر خفيفة الوزن من الكاشف أو من نموذج تصنيف YOLO11 ويستخدمها للتحقق من الهوية بين الإطارات. يساعد دليل المظهر الإضافي هذا المتعقب في الحفاظ على معرفات أكثر ثباتًا في المواقف الصعبة، مثل حالات الانسداد القصيرة، أو مرور المركبات بالقرب من بعضها البعض، أو التحولات الصغيرة الناتجة عن حركة الكاميرا.
بينما لا تهدف ميزة إعادة التعرّف المدمجة هذه إلى استبدال إعادة التعرّف الكاملة عبر الكاميرات لإعادة تحديد هوية المركبة عبر الكاميرا، إلا أنها تعمل على تحسين اتساق الهوية داخل عرض كاميرا واحدة وتنتج تعقبًا أنظف يمكن لوحدات إعادة التعرّف النهائية الاعتماد عليه. لاستخدام ميزات التتبع المستندة إلى المظهر هذه، ما عليك سوى تمكين Re-ID في ملف تكوين متعقب BoT-SORT عن طريق تعيين "with_reid" إلى "True" وتحديد النموذج الذي سيوفر ميزات المظهر.
لمزيد من التفاصيل، يمكنك الاطلاع علىصفحة وثائق Ultralytics الخاصة بتتبع الكائنات، والتي تشرح خيارات إعادة التعريف المتاحة وكيفية تكوينها.
توفير مدخلات عالية الجودة لشبكات إعادة التعرف على الهوية
بالإضافة إلى تحسين ثبات الهوية أثناء التتبع، تلعب نماذج YOLO أيضًا دورًا مهمًا في إعداد مدخلات بصرية نظيفة لشبكة إعادة التعرف على الهوية نفسها.
بعد اكتشاف السيارة، عادةً ما يتم اقتصاص مربعها المحدّد وإرساله إلى شبكة إعادة التعرّف، والتي تستخرج السمات المرئية اللازمة للمطابقة. نظرًا لأن نماذج إعادة التعرّف تعتمد بشكل كبير على هذه الصور التي تم اقتصاصها، فإن المدخلات الضعيفة، مثل الصور الضبابية أو غير المتناسقة أو غير المكتملة، يمكن أن تؤدي إلى تضمينات أضعف ومطابقة أقل موثوقية بين الكاميرات.
تساعد نماذج Ultralytics YOLO في الحد من هذه المشكلات من خلال إنتاج مربعات محددة نظيفة ومتسقة بشكل جيد تلتقط السيارة محل الاهتمام بشكل كامل. وبفضل المحاصيل الأكثر وضوحًا ودقة، يمكن لشبكة إعادة التعرف على الهوية التركيز على تفاصيل ذات مغزى مثل اللون والشكل والملمس وغيرها من السمات المميزة. وتؤدي المدخلات عالية الجودة إلى أداء أكثر دقة ويمكن الاعتماد عليه في إعادة تحديد الهوية عبر طرق عرض الكاميرا.
تمكين المطابقة بين الكاميرات المتقاطعة عند دمجها مع نموذج إعادة التعريف
على الرغم من أن نماذج Ultralytics YOLO لا تقوم بعملية إعادة تحديد الهوية من تلقاء نفسها، إلا أنها توفر المعلومات المهمة التي تحتاجها شبكة إعادة تحديد الهوية لمقارنة المركبات عبر طرق عرض الكاميرا المختلفة. يمكن لنماذج مثل YOLO11 أن تهتم بتحديد موقع المركبات وتتبعها داخل كل كاميرا، بينما يحدد نموذج إعادة التعرف ما إذا كان محصولان من المركبات من موقعين مختلفين ينتميان إلى نفس الهوية.
عندما تعمل هذه المكونات معاً، YOLO للكشف والتتبع، ونموذج التضمين المخصص لاستخراج الميزات، فإنها تشكل خط أنابيب مطابقة مركبة متعددة الكاميرات بالكامل. وهذا يجعل من الممكن ربط المركبة نفسها أثناء تحركها عبر شبكة كاميرات أكبر.
على سبيل المثال، في دراسة حديثة، استخدم الباحثون نموذج YOLO11 خفيف الوزن ككاشف للمركبة في نظام تتبع متعدد الكاميرات عبر الإنترنت. ووجدت الدراسة أن استخدام YOLO11 ساعد في تقليل وقت الكشف دون التضحية بالدقة، مما أدى إلى تحسين الأداء العام للتتبع النهائي والمطابقة بين الكاميرات.
الشكل 3. تتبع المركبات المتعددة YOLO11 وإعادة تحديد هويتها عبر كاميرات متعددة.(المصدر)
البنى القائمة على التعلم المتعمق لإعادة تحديد هوية المركبات
والآن، بعد أن أصبح لدينا فهم أفضل لكيفية دعم نماذج Ultralytics YOLO في إعادة تحديد هوية المركبات، دعنا نلقي نظرة فاحصة على نماذج التعلّم العميق التي تتعامل مع خطوات استخراج الميزات والمطابقة. هذه النماذج مسؤولة عن تعلم كيفية ظهور المركبات، وإنشاء تضمينات قوية، والتمييز بين المركبات المتشابهة بصرياً عبر مناظر الكاميرا المختلفة.
فيما يلي بعض الأمثلة على مكونات التعلّم العميق الأساسية المستخدمة في أنظمة إعادة تحديد هوية الكائنات:
استخراج الميزات باستخدام الشبكات العصبية التلافيفية: تتعلّم الشبكات العصبية التلافيفية مثل ResNet50 أو ResNet101 ميزات عميقة من خلال التعرف على الأنماط، وتحديد عناصر مثل اللون والشكل والملمس التي تميز مركبة عن أخرى. يتم بعد ذلك تحويل هذه الأنماط المكتسبة إلى تضمينات تعمل بمثابة التمثيل الرقمي الفريد للمركبة.
آليات الانتباه والمحولات: يمكن أن تساعد شبكات وطبقات الانتباه، بما في ذلك الانتباه المكاني، في تسليط الضوء على المناطق المهمة في السيارة، مثل المصابيح الأمامية أو النوافذ أو مناطق لوحات الترخيص. يركز الانتباه المكاني النموذج على أماكن وجود الإشارات البصرية الأكثر إفادةً، بينما تلتقط النماذج القائمة على المحولات مثل محولات الرؤية (ViT) العلاقات العالمية عبر الصورة بأكملها. تعمل هذه النماذج معاً على تحسين الدقة الدقيقة عندما تبدو المركبات متشابهة جداً.
الشبكات القائمة على الأجزاء والشبكات متعددة الفروع: تقوم بعض نماذج إعادة تحديد الهوية بتحليل مناطق محددة من السيارة بشكل منفصل، مثل السقف أو المصابيح الخلفية أو الألواح الجانبية، ثم تدمج النتائج. وهذا يعني أن النظام يظل قوياً حتى عندما تكون المركبات محجوبة جزئياً أو عندما يتم عرضها من زوايا صعبة.
بالإضافة إلى هذه المكونات المعمارية، يلعب التعلّم المتري دورًا رئيسيًا في تدريب نماذج إعادة التعرف على المركبات. تساعد دوال الخسارة مثل الخسارة الثلاثية والخسارة التباينية والخسارة التباينية والخسارة التبادلية في النظام على تعلم التضمينات القوية والتمييزية من خلال تجميع صور المركبة نفسها معًا مع إبعاد الصور المختلفة.
مجموعات بيانات إعادة تحديد هوية المركبات الشائعة والمعايير المرجعية
في أبحاث الرؤية الحاسوبية، يكون لجودة مجموعة البيانات تأثير كبير على مدى جودة أداء النموذج بمجرد نشره. توفر مجموعة البيانات الصور أو مقاطع الفيديو المصنفة التي يتعلم منها النموذج.
ولإعادة تحديد هوية المركبات، يجب أن تلتقط مجموعات البيانات الحديثة هذه الظروف المتنوعة مثل الإضاءة وتغيرات المنظر وتغيرات الطقس. يساعد هذا التنوع النماذج على التعامل مع تعقيدات بيئات النقل في العالم الحقيقي.
إليك لمحة عن مجموعات البيانات الشائعة التي تدعم تدريب نماذج إعادة تحديد هوية المركبات وتحسينها وتقييمها:
مجموعة بيانات VeRi-776: وهي عبارة عن مجموعة من أكثر من 50,000 صورة مركبة مشروحة تم التقاطها من 20 كاميرا في المدينة. وتتضمن الشروح التوضيحية معرف المركبة ولونها وطرازها ومناطق لوحات الترخيص، مما يتيح تعلم السمات التفصيلية.
مجموعة بيانات هوية المركبة: تحتوي مجموعة البيانات واسعة النطاق هذه على أكثر من 200,000 صورة تمثل أكثر من 26,000 مركبة. وغالباً ما يتم اختيارها لدراسة قابلية التوسع وإجراء مقارنات أساسية بين الأساليب المختلفة.
مجموعة بيانات VeRi-Wild: وهي مصممة لتعكس التباين في العالم الحقيقي، بما في ذلك الاختلافات في وجهة النظر والطقس والانسداد الجزئي. تُستخدم عادةً لتقييم متانة النموذج وتعميمه.
الشكل 4. مثال على المركبات في مجموعة بيانات VeRi-776.(المصدر)
عادةً ما يتم تقييم أداء النموذج على مجموعات البيانات هذه باستخدام مقاييس مثل متوسط متوسط الدقةmAP ودقة الرتبة 1 أو الرتبة 5. يقيس متوسط mAP متوسط الدقة مدى دقة النموذج في استرجاع جميع المطابقات ذات الصلة لمركبة معينة، بينما تشير درجات الرتبة 1 والرتبة 5 إلى ما إذا كانت المطابقة الصحيحة تظهر في أعلى قائمة النتائج أو ضمن التنبؤات القليلة الأولى.
وتوفر هذه المعايير مجتمعةً للباحثين طريقة متسقة لمقارنة الأساليب المختلفة وتلعب دوراً مهماً في توجيه عملية تطوير أنظمة إعادة تحديد هوية المركبات الأكثر دقة وموثوقية للاستخدام في العالم الحقيقي.
تطبيقات إعادة تحديد هوية المركبة
والآن بعد أن غطينا الأساسيات، دعونا نستعرض بعض حالات الاستخدام الواقعية التي تدعم فيها إعادة تحديد هوية المركبات عمليات النقل والتنقل والمراقبة العملية.
مراقبة حركة المرور في المناطق الحضرية ورصدها
تمتلئ طرق المدينة المزدحمة بالحركة باستمرار، وغالباً ما تكافح كاميرات المرور track السيارة نفسها أثناء تنقلها بين مناطق مختلفة. قد تتسبب التغييرات في الإضاءة والمشاهد المزدحمة والمركبات التي تبدو متشابهة تقريباً في ضياع الهويات بين الكاميرات.
تعالج إعادة تحديد هوية المركبات هذه المشكلة من خلال اكتشاف المركبات بوضوح، واستخراج السمات المميزة، والحفاظ على معرفات متسقة حتى في اللقطات منخفضة الدقة أو المزدحمة. والنتيجة هي تتبع أكثر سلاسة واستمرارية عبر الشبكة، مما يمنح فرق المرور صورة أوضح لكيفية تحرك المركبات عبر المدينة ويتيح استجابات أسرع وأكثر استنارة للازدحام والحوادث.
أنظمة وقوف السيارات الذكية
تعتمد مرافق وقوف السيارات الذكية على تحديد هوية المركبات بشكل متسق لإدارة الدخول والخروج والتحكم في الدخول وتخصيص المساحات. ومع ذلك، غالبًا ما تلتقط الكاميرات في هذه البيئات المركبات من زوايا غير معتادة وتحت إضاءة صعبة، كما هو الحال في المرائب تحت الأرض أو المناطق المظللة أو المواقف الخارجية عند الغسق.
هذه الظروف تجعل من الصعب التأكد من رؤية السيارة نفسها في مناطق مختلفة. عندما تكون الهويات غير متناسقة، يمكن أن تتعطل سجلات مواقف السيارات، ويصبح التحكم في الوصول أقل موثوقية، وقد يتعرض السائقون للتأخير. لهذا السبب تتضمن العديد من أنظمة وقوف السيارات الذكية نماذج إعادة تحديد هوية المركبة للحفاظ على هوية ثابتة لكل مركبة أثناء تحركها عبر المنشأة.
الشكل 5. مثال على إعادة تحديد هوية المركبة يظهر صورة المركبة المختارة على اليسار ونتائج البحث المطابقة على اليمين.(المصدر)
إنفاذ القانون والطب الشرعي
بالإضافة إلى مراقبة حركة المرور، تلعب إعادة تحديد هوية المركبات دورًا مهمًا أيضًا في إنفاذ القانون وتحقيقات الطب الشرعي. في العديد من الحالات، يحتاج الضباط في العديد من الحالات إلى متابعة مركبة ما عبر عدة كاميرات، ولكن قد تكون لوحات الترخيص غير مقروءة أو مفقودة أو محجوبة عمداً.
يمكن للمشاهد المزدحمة والرؤية المنخفضة والانسداد الجزئي أن تجعل المركبات المختلفة تبدو متشابهة بشكل مخادع، مما يجعل التعرف اليدوي بطيئاً وغير موثوق به. يمكن استخدام إعادة تحديد هوية السيارة لتتبع حركة السيارة عبر شبكات الكاميرات غير المتداخلة من خلال تحليل سماتها البصرية بدلاً من الاعتماد فقط على لوحات الترخيص.
وهذا يعني أنه يمكن للمحققين متابعة تحركات المركبة بسهولة أكبر، وفهم وقت ظهورها في مواقع مختلفة، وتأكيد مسارها قبل وقوع الحادث وبعده. كما يدعم نظام إعادة التعرف على المركبات المدعوم بالذكاء الاصطناعي أيضاً مهام مثل تتبع المركبات المشتبه بها، أو مراجعة لقطات الحادث، أو تحديد الاتجاه الذي سارت فيه المركبة قبل أو بعد وقوع الحادث.
الشكل 6. مركبات متطابقة عبر كاميرات مختلفة بمنظورات متنوعة.(المصدر)
تتبع الأسطول واللوجستيات
غالبًا ما تعتمد عمليات الأسطول والعمليات اللوجستية على نظام تحديد المواقع العالمي (GPS) وعلامات RFID والسجلات اليدوية track حركة المركبات، ولكن هذه الأدوات تترك ثغرات في المناطق التي تغطيها كاميرات الأمن أو كاميرات الفناء، مثل ساحات التحميل وساحات المستودعات وشبكات الطرق الداخلية.
تتحرك المركبات في كثير من الأحيان بين الكاميرات التي لا تتداخل، أو تختفي خلف الهياكل، أو تبدو متطابقة تقريبًا مع غيرها في الأسطول، مما يجعل من الصعب التأكد مما إذا كانت المركبة نفسها قد شوهدت في مواقع مختلفة. يمكن أن تساعد أنظمة إعادة تحديد هوية المركبات في سد هذه الثغرات من خلال تحليل التفاصيل المرئية ومعلومات التوقيت للحفاظ على هوية متسقة لكل مركبة أثناء تحركها عبر المنشأة.
يمنح ذلك مديري الأساطيل رؤية أكثر اكتمالاً للنشاط داخل مراكزهم، مما يدعم مهام مثل التحقق من مسارات التسليم وتحديد الحركة غير المعتادة وضمان اتباع المركبات للمسارات المتوقعة.
إيجابيات وسلبيات مهام إعادة تعريف المركبة
فيما يلي بعض الفوائد الرئيسية لاستخدام إعادة تحديد هوية المركبات المدعومة بالذكاء الاصطناعي:
تقليل عبء العمل اليدوي: تعمل ميزة "إعادة تحديد هوية المركبة" على أتمتة مهام مطابقة الهوية التي كانت ستتطلب مراجعة يدوية مكثفة، مما يقلل بشكل كبير من الوقت والجهد اللازمين لتحليل لقطات الفيديو.
الأتمتة والرؤى في الوقت الحقيقي: من خلال الجمع بين الاكتشاف والتتبع ومطابقة الميزات، تدعم ميزة إعادة التعرف على المركبات المراقبة الآلية المستمرة ويمكنها توفير تنبيهات في الوقت الفعلي للاستجابة للحوادث بشكل أسرع.
قابلية التوسع والتكيف: يمكن لنماذج إعادة تحديد الهوية أن تتكيف مع البيئات الجديدة أو ظروف الإضاءة أو زوايا الكاميرا من خلال التعلم القوي للميزات واستخراج الميزات متعددة النطاقات والتمثيلات الثابتة التي تظل ثابتة في ظل التغيرات البصرية. هذه القدرات تجعلها مناسبة لكل من شبكات المدن الكبيرة وعمليات النشر الأصغر حجماً.
على الرغم من أن إعادة تحديد هوية السيارة توفر العديد من المزايا، إلا أن هناك أيضاً بعض القيود التي يجب مراعاتها. فيما يلي بعض العوامل التي تؤثر على موثوقيتها في بيئات العالم الحقيقي:
طلب حسابي مرتفع: يتطلب استخلاص الميزات وتوليد التضمين والمطابقة بين الكاميرات قدرة معالجة كبيرة، خاصة عند مراقبة شبكات كبيرة من الكاميرات.
التباين البيئي: يمكن أن تؤدي عوامل مثل الإضاءة الليلية وتغيرات الطقس والظلال والانسدادات إلى تدهور قدرة النموذج على الحفاظ على هويات متسقة عبر المشاهد.
قيود مجموعة البيانات والمجال: قد لا يمكن تعميم النماذج التي تم تدريبها على مجموعات بيانات محدودة أو مثالية على ظروف العالم الحقيقي دون مزيد من الضبط الدقيق أو تكييف المجال.
الطريق إلى الأمام بالنسبة لطرق إعادة تحديد هوية المركبات
تستمر عملية إعادة تحديد هوية المركبات في التقدم مع تطور التكنولوجيا. تسلط المنشورات الأخيرة الصادرة عن IEEE و CVPR و arXiv، إلى جانب العروض التقديمية في المؤتمرات الدولية، الضوء على تحول واضح نحو نماذج أكثر ثراءً تجمع بين مصادر بيانات متعددة واستدلال أكثر تقدمًا للميزات. من المرجح أن يركز العمل المستقبلي في هذا المجال على بناء أنظمة أكثر قوة وفعالية وقدرة على التعامل مع التباين في العالم الحقيقي على نطاق واسع.
على سبيل المثال، يتمثل أحد الاتجاهات الواعدة في استخدام النماذج القائمة على المحولات وشبكات تجميع الرسوم البيانية. يمكن للمحوّلات تحليل صورة كاملة وفهم كيفية توافق جميع التفاصيل المرئية معًا، مما يساعد النظام على التعرف على نفس السيارة حتى عندما تتغير الزاوية أو الإضاءة.
تأخذ النماذج المستندة إلى الرسم البياني هذا الأمر خطوة إلى الأمام من خلال التعامل مع أجزاء السيارة المختلفة أو مناظر الكاميرا كنقاط متصلة في شبكة. وهذا يمكّن النظام من فهم الارتباط بين تلك النقاط الرئيسية واتخاذ قرارات أفضل بشأن هويات المركبات والسمات التمييزية.
ومن التطورات الرئيسية الأخرى دمج البيانات متعددة الوسائط ودمج السمات. فبدلاً من الاعتماد على الصور فقط، تجمع الأنظمة الأحدث بين المعلومات المرئية وإشارات الوسائط المتعددة الأخرى، مثل بيانات النظام العالمي لتحديد المواقع أو أنماط الحركة من أجهزة الاستشعار. يسهل هذا السياق الإضافي على النظام الحفاظ على دقته عندما تكون المركبات محجوبة جزئياً أو عندما تكون الإضاءة ضعيفة أو عندما تتغير زوايا الكاميرا فجأة.
النقاط الرئيسية
أصبحت إعادة تحديد هوية المركبات منهجية رئيسية في أنظمة النقل الذكية، مما يساعد المدن على track المركبات بشكل أكثر موثوقية عبر الكاميرات المختلفة. وبفضل التقدم في مجال التعلم العميق والتحقق الأفضل من الصحة باستخدام مجموعات بيانات أكثر ثراءً وتنوعاً، أصبحت هذه الأنظمة أكثر دقة وعملية في ظروف العالم الحقيقي.
ومع تطور هذه التكنولوجيا، من المهم تحقيق التوازن بين الابتكار والممارسات المسؤولة المتعلقة بالخصوصية والأمان والأخلاقيات. وعموماً، تمهد هذه التطورات الطريق لشبكات نقل أكثر ذكاءً وأماناً وفعالية.
