Oct, 2023

实时交通标志检测：圣克拉拉郊区案例研究

PDF
TL;DR该研究项目旨在开发一个实时交通标志检测系统，使用 YOLOv5 架构并在郊区社区中进行高效的交通标志识别。项目的主要目标是在多样化的交通标志图像数据集上训练 YOLOv5 模型，并在适用于实时推断的硬件平台上部署该模型。该系统利用训练有素的 YOLOv5 模型，能够从车辆内部仪表盘上的实时摄像头中检测和分类交通标志。部署系统的性能将基于其交通标志检测的准确性、实时处理速度和整体可靠性进行评估。在郊区社区的案例研究中，该系统在检测交通标志方面显示出显著的 96% 准确率。该研究的发现有潜力通过提供及时准确的实时交通标志信息来改善道路安全和交通管理，并为自动驾驶的进一步研究铺平道路。
traffic sign detectionyolov5 architecturereal-time inferencedatasetroad safety
发现论文，激发创造
  • 真实交通标志变化对 YOLOv7 目标识别模型的影响

    研究交通标志改变对物体识别模型的影响，发现在不太可能的条件下暴露于修改的交通标志下，物体识别模型的准确性显著降低。这项研究强调了提高物体检测模型在现实场景中的鲁棒性的重要性，需要进一步研究来提高它们的准确性和可靠性。

    May, 2023

  • 用 YOLO 模型和迁移学习推进道路标志检测

    本文使用了改进的 YOLOv5 和 YOLOv8 模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

    Jun, 2024

  • 实时深度学习车辆和行人检测与分析

    通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

    Apr, 2024

  • 低质量夜晚图像中的自动招牌识别

    通过应用改进的 MIRNet 模型和 Yolov4 模型，本文解决了低光、噪声和模糊条件下交通标志识别的挑战，并在 GTSRB 数据集上获得了 96.75% 的整体 [email protected]，对于广泛类别的 GTSDB 数据集达到了 100% 的 [email protected]，与最先进的方法相当。

    Aug, 2023

  • 基于深度学习和决策树的交通异常检测视觉系统

    本文提出一种决策树驱动的深度学习方法，通过智能交通监测系统从交通摄像头中快速精确地提取异常事件并估计其起止时间，并通过实验验证取得了 F1 score：0.8571 和 S4 score：0.5686。

    Apr, 2021

  • 基于移动设备上的无人机交通视频的实时车辆检测和城市交通行为分析

    本论文研究了基于无人机交通视频的实时车辆检测和城市交通行为分析系统。通过使用无人机收集交通数据，并结合 YOLOv8 模型和 SORT 跟踪算法，在 iOS 移动平台上实现对象检测和跟踪功能。使用动态计算方法实时处理性能，计算车辆的微观和宏观交通参数，并进行实时的交通行为分析和可视化。实验结果显示，车辆对象检测的准确率达到 98.27%、召回率达到 87.93%，实时处理能力稳定在每秒 30 帧。这项工作将无人机技术、iOS 开发和深度学习技术整合在一起，将交通视频采集、目标检测、目标跟踪和交通行为分析功能集成到移动设备上，为轻量级交通信息收集和数据分析提供了新的可能性，并为交通管理部门改善道路交通状况分析效率和解决交通问题提供了创新的解决方案。

    Feb, 2024

  • 基于卷积神经网络的音频辅助实时交通标志识别系统

    本研究提出了一种声控实时交通标志识别系统，使用了卷积神经网络进行交通标志的检测和识别，并通过语音信息来向驾驶员表达交通标志的内容。该系统的优势在于能够检测并向驾驶员传达交通标志的信息，即使驾驶员未能看到或理解。这种类型的系统也对自动驾驶汽车的发展非常重要。

    Apr, 2024

  • aUToLights：一种稳健的多摄像机交通信号灯检测与跟踪系统

    本文介绍了多摄像头的交通信号灯感知管道，使用 YOLOv5 探测器进行边界框回归和交通信号灯分类，并融合高清语义地图信息和隐马尔可夫模型的状态过滤来提高鲁棒性，在现实世界的复杂场景下实现了优异的表现。

    May, 2023

  • Traffic-Net: 使用单个摄像头进行 3D 交通监控

    本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

    Sep, 2021

  • 自动驾驶车辆的稳健行人检测方法

    本文针对 Advanced Driver-Assistance Systems (ADAS) 中行人检测的挑战，使用 YOLOv5s 框架在 Caltech 行人数据集上进行 fine-tune，并且开发了可用于准备数据和注释数据的工具箱。实验结果表明，使用作者提出的方法，行人检测任务的均值平均精度（mAP）可高达 91％，且最高帧率可达 70 FPS，是一种比其他现有技术更为有效和准确的方法。

    Oct, 2022