突破單一視角車輛追蹤限制 多攝影機協同系統開創智慧交通新紀元

數位科技與AI加速推動城市智慧化進程。由美國華盛頓大學黃正能教授主導、國網中心共同合作研究的「多目標多攝影機追蹤中的車輛追蹤系統」，運用深度學習與多攝影機協同技術，突破傳統車輛追蹤的限制，為智慧交通管理帶來重要進展。學術研究上也於國際間模式識別和計算機視覺領域的頂尖會議(The International Conference on Pattern Recognition, ICPR) 中Multi-Modal Visual Pattern Recognition Challenge #Track 1獲得冠軍。以本技術為延伸，雙邊共同合作研發的 「數位都市-智慧交通壅塞預警與警察勤務支援系統」(圖1) 更獲得2024年未來科技獎的榮譽。國網中心提供的運算資源與數據平台支援，不僅有效提升車輛追蹤的準確度與穩定性，也為未來智慧城市的交通管理建立創新典範。

傳統車輛追蹤系統多仰賴單一攝影機或車牌辨識技術，然而在實際應用上常面臨諸多限制。例如在覆蓋範圍受限、光線不足、車牌被遮蔽等情況下，追蹤準確度會大幅下降。此外，在多車輛同時出現、車流擁擠或車輛行為多變等複雜的交通環境下，單一攝影機的追蹤效果更顯不足。因此，開發一套能克服上述限制的多目標多攝影機追蹤系統，成為改善交通監控效能的重要課題。

「多目標多攝影機追蹤中的車輛追蹤系統」以新竹西濱快速道路上多支路口攝影機為影像來源(圖2)，搭配先進的影像處理技術。系統運用深度學習模型中的卷積神經網路(CNN)偵測物體、擷取特徵，實現跨攝影機間的車輛追蹤與關聯。其創新之處在於多視角協同運作，有效解決單一攝影機的視野死角問題，尤其在車輛穿梭於不同攝影機覆蓋範圍時，系統可自動維持目標追蹤的連續性與身分識別一致性。此外，系統採用最新的深度學習演算法，不僅能準確區分相似外觀的車輛，更可依據即時交通流量自動調整追蹤策略，確保在複雜多變的路況中維持穩定的追蹤效能(圖3)。

圖1、 數位都市-智慧交通壅塞預警與警察勤務支援系

圖2、新竹市實驗場域

 

圖3、跨攝影機連續追蹤

在此計畫中，國網中心提供NVIDIA V100在內的高效能運算資源，協助處理大量即時影像資料，並支援深度學習模型的訓練與最佳化工作，如車輛偵測模型Yolov8與車輛特徵擷取模型ResNet的開發。此外，國網中心也提供完整的數據處理平台，整合多路攝影機的影像資訊，並透過可靠的雲端儲存與數據管理機制，確保系統運作的穩定性與效率。

對於「多目標多攝影機追蹤中的車輛追蹤系統」計畫的下一步，黃正能教授團隊將持續優化深度學習演算法，提升系統在複雜交通場景下的追蹤準確度。同時，也規劃擴大技術應用範疇，將系統導入視覺語言模型(Vision Language Models, VLM)的發展，提升電腦視覺處理能力，加快面對突發事件的快速反應機制，為台灣未來智慧城市的交通管理奠定重要基礎。