JD AI Research和北京大学的一组研究人员最近开发了一种用于视频监控网络的渐进车辆搜索系统，称为PVSS。他们的系统出现在arxiv上的一篇论文中，可以有效地搜索监控录像中出现的特定车辆。

车辆搜索系统可以有许多有用的应用，包括实现更智能的交通和自动监视。例如，这种系统可以允许用户输入查询车辆、搜索区域和时间间隔，以确定车辆在白天不同时间的位置。

现有的车辆搜索方法通常假设所有车辆图像都是从监视视频中很好地裁剪出来的，使用视觉属性或车牌号码来识别这些图像中的目标车辆。这些方法主要集中在基于内容的车辆匹配，也称为车辆再识别(re-ID).

近年来，手工构造的描述符和卷积神经网络(CNN)大大增强了这些方法.然而，仅仅基于属性来识别特定的车辆是一项非常具有挑战性的任务，因为不同摄像机的实例内部变化以及类似车辆之间的实例间差异。在某些情况下，由于低分辨率和低噪音，在监视图像中也可能出现车牌识别错误。

研究人员在论文中解释说：“一个完整的车辆搜索系统应该考虑到车辆检测、表示、索引、存储、匹配等问题。”此外，基于属性的搜索由于不同摄像机的实例内部变化和极其不确定的环境，无法准确地找到同一辆车。

PVSS是研究人员开发的一种先进的车辆搜索系统，它解决了现有方法的局限性。该系统由三个关键模块组成：车辆数据爬行器、基于多粒度特征的车辆索引器和渐进车辆搜索器。

研究人员在论文中写道：“为了保证搜索过程中的高精度和高效率，为车辆搜索系统设计了一系列的数据结构。”“在爬行器中，不仅从监视网络中提取视觉内容，而且还从监控网络中提取上下文信息。然后，基于深度学习的模型利用多模式数据来获取车辆的区分性和鲁棒性特征，然后根据多层次索引进行组织。在搜索过程中，车辆被以渐进的方式进行搜索，包括在特征域中进行从粗到细的搜索，以及在物理空间中从近到远的搜索。”

实际上，车辆爬虫组件在监控视频中检测和跟踪车辆，将捕获的车辆图像、元数据和其他上下文信息传输到云或服务器。随后，车辆索引器组件提取并索引车辆的多粒度属性，如视觉特征和车牌指纹。

然后，将包含输入车辆图像以及感兴趣的时间范围和空间范围的查询输入车辆搜索器组件，该组件逐步在图像数据库中搜索车辆。

研究人员在Veri数据集上对他们的车辆搜索系统进行了评估，该数据集包含在现实环境中从20个监控摄像机中收集的5万多幅图像。在这些测试中，PVSS取得了显著的效果，其性能优于所有只使用外观搜索方法和多模态搜索方法。

研究人员在他们的论文中写道：“从现实世界监控网络收集的大规模车辆搜索数据集的广泛实验显示了该系统的最新成果。”