多相机多目标跟踪（MCMT）是一种计算机视觉技术，用于在多台相机上同时跟踪多个目标。本文介绍了一种名为 CityTrack 的新型 MCMT 框架，其中包括一种集成了各种先进技术的位置感知 SCMT 追踪器以及一种用于 ICA 模块的新颖的 Box-Grained Matching（BGM）方法，该方法能够解决城市交通场景中的困难。在 CityFlowV2 数据集的公共测试集上评估了我们的方法，并取得了 84.91% 的 IDF1 指标，在 2022 AI CITY CHALLENGE 中排名第一。我们的实验证明了我们的方法在克服城市交通场景带来的挑战方面的有效性。

Jul, 2023

本研究提出了一种创新的多摄像头车辆追踪系统，利用自监督的摄像头链接模型，自动提取关键的多摄像头关系来进行车辆匹配，并通过设置时空约束来支持跨摄像头匹配，在实际应用中具有显著的效率和成本效益改善，实验证明该方法在 CityFlow V2 基准测试中达到了自动摄像头链接方法的最新技术水平，IDF1 得分为 61.07%。

May, 2024

本文提出了一个基于路口区域的多目标多相机车辆跟踪框架，使用探测和车辆重新识别模型提取目标和外观特征，并提出了方向基于时间蒙版的 tracklet 过滤策略、相邻相机的子簇，通过以上技术，该方法在 2021 AI City Challenge (AICITY21) 中获得了 0.8095 的 IDF1 评分，位列第一。

May, 2021

本论文介绍了一个新颖的视频数据集，该数据集来自城市高速公路上相互交叠的交通摄像头，可在交通监控环境中进行多摄像头 3D 物体跟踪。该数据集包含来自至少 16 个摄像头的 3 个场景的视频，总长度为 57 分钟。为每个摄像头视野完全准确地注释了 87,700 个 3D 边界框和相应的物体轨迹，并将其组合成每个场景的空间和时间连续的车辆轨迹。最后，使用现有算法对数据集进行了多个 3D 多摄像头跟踪管道的基准测试，结果表明该数据集具有挑战性，因为在交通拥堵期间，对象的高速移动和严重遮挡可能持续数百帧之久。本研究旨在促进准确和自动的车辆轨迹提取算法的发展，这将在理解自动驾驶车辆技术对交通安全和效率的影响方面发挥重要作用。

Aug, 2023

我们提出了 D$^2$-City，这是滴滴平台上车辆收集的大规模综合的行车记录仪视频的收集，包含超过 10000 个视频片段，提供了 12 种对象类别的边界框和跟踪注释，并在其余视频的关键帧上提供检测注释，预计该数据集将推动智能驾驶感知和相关领域的发展。

Apr, 2019

介绍了一个包括 234 个高清摄像头记录的多摄像头跟踪数据集，从纳什维尔市附近的一段 8-10 车道长约 4.2 英里的高速公路同时录制了 234 小时的视频数据。该数据集包含高密度交通状况下的 500 + 个物体，典型物体持续时间为 3-15 分钟。通过手动校正车辆行驶场景中的 GPS 轨迹，为跟踪评估提供了一组地面真实轨迹，并为每个摄像头提供了物体检测结果。初步对检测跟踪算法进行了基准测试，结果表明在长时空间范围内进行交通场景理解所需的跟踪性能不足。

Sep, 2023

本文介绍了基于自然语言的城市交通模式和车辆事件检测系统的扩展，提出了 CityFlow-NL 测评标准，并介绍了其在多目标多摄像头跟踪、自然语言检索以及时间定位方面的应用，特别侧重于车辆检索和车辆跟踪这两项任务的探索。

Jan, 2021

第四届 AI 城市挑战赛吸引了来自 37 个国家的 315 支参赛队伍，他们利用城市规模真实交通数据和高质量的合成数据竞争四个挑战赛道，结果表明 AI 技术能够使交通系统更加智能和安全。

Apr, 2020

研究使用基于强化学习的 CityFlow 交通模拟器，该模拟器提供更高效的交通网络和流量仿真，可支持智能交通方面的机器学习研究，并支持更广泛的交通研究。

May, 2019

使用移动通信流量数据预测车辆流量，通过提取特征并将其与图神经网络结合，使得在没有摄像头的区域能够预测车辆流量，为交通管理提供了解决方案。

Mar, 2024