CVPRApr, 2022

在非受限道路上检测、跟踪和计数摩托车骑手的交通违规行为

PDF
TL;DR该研究提出了一种利用基于课程学习的目标检测器、梯形物体边界表示和遮挡骑手边界框生成器来高效检测和计数车载摄像头视频中的摩托车驾驶违规行为的方法，并在实验中证明了其优越性。
motorcycle riding violationsobject detectioncurriculum learningocclusionsamodal regressor
发现论文，激发创造
  • 使用 YOLOv5 和集成学习实现实时头盔违规检测

    本研究基于 100 个视频，开发了实时的 YOLOv5 深度学习模型，用于检测骑摩托车的骑手和乘客是否佩戴头盔，从而提高路上安全和交通法规的执行力。

    Apr, 2023

  • 第一人称视角视频的无监督交通事故检测

    本文提出了一种基于未监督学习的方法，通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明，该方法优于最先进的方法。

    Mar, 2019

  • 使用 Few-Shot 数据采样技术和 YOLOv8 实现实时多类头盔违规检测

    本文提出了一种利用 YOLOv8 单阶段对象检测模型和 few-shot 数据采样策略开发的鲁棒的实时头盔违规检测系统，实验结果表明该系统有效、高效、稳健，可以用于交通监控和执法。

    Apr, 2023

  • 使用遗传算法对 YOLOv5 进行微调，用于头盔违规检测

    本文提出了一种利用 YOLOv5 目标检测模型实现的实时头盔违规检测系统，该系统用于监督执行头盔法律，有助于提高摩托车安全性。

    Apr, 2023

  • 利用深度学习的实时交通监控事故检测

    本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

    Aug, 2022

  • 下一代交通监控：AI 辅助的移动交通违规检测系统

    利用计算机视觉和机器学习的方法，本研究论文展示了如何创建强大的算法以识别不同的交通违规行为，包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头，本研究应用 YOLOv5 算法的检测模块来识别交通参与者，如汽车、行人和交通标志，以及 strongSORT 算法进行连续帧间追踪。进一步，通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为，同时，识别模块提取车辆 ID 信息（如车牌号），生成违规通知并发送给相关部门。

    Nov, 2023

  • 自动感兴趣区域车辆计数与行车轨迹检测

    该论文介绍了一种从交通录像中对车辆进行计数的方法，自动识别相机的 ROI 和车辆的行驶轨迹，并能够应用于常用于发展中国家的 Pan-Tilt-Zoom 相机，取得了良好的测试结果。

    Aug, 2021

  • 城市交通视频中微型移动交通工具的检测

    通过将连续帧处理的聚合特征映射应用于 YOLOX 架构，结合单帧目标检测的准确性和速度以及视频目标检测框架提供的更丰富特征，引入了一个适应性的检测模型，为解决城市交通环境中的目标检测问题。这种融合为 YOLOX 的检测能力带来了时间视角，提高了对城市移动模式的理解和检测可靠性，从而在检测小型细长目标等具有挑战性的条件下展示出了明显改进。该方法通过考虑时空信息提高了在困难条件下（包括遮挡、保证时序一致性和有效减轻运动模糊等）的检测性能。

    Feb, 2024

  • 关于机器学习算法在摩托车碰撞检测中的应用

    全球而言，摩托车吸引了广泛及多样的用户。然而，由于摩托车事故严重伤亡率远远超过乘用车事故，人们致力于提高被动安全系统。该论文通过模拟事故和驾驶操作，收集数据并训练机器学习分类模型，研究了机器学习算法在可靠检测即将发生的碰撞方面的适用性，并通过多种代表性和应用导向的标准评估和比较它们的性能。

    Mar, 2024

  • 一种记忆增强的多任务协作框架，用于无监督驾驶视频中的交通事故检测

    通过多任务协作的记忆增强框架（MAMTCF）来无监督地检测驾驶视频中的交通事故，同时对外观变化和目标运动建模，取得了比现有方法更好的性能。

    Jul, 2023