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

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

本研究提出了一种适用于无人机热红外图片和视频的目标检测框架，基于 CNN 架构的 YOLO 模型，通过定量和定性评估深度学习模型，在人的交叉检测性能方面展示了 YOLOv7 模型在不同无人机观察角度下的应用。

Jan, 2024

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

研究提出了一种新的实时目标检测算法 YOLO-Drone，应用于两种新的无人机平台和特定光源，在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法，并且在硅基金光 LED 下的性能表现明显优于普通光源，证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。

Apr, 2023

本文介绍了一种名为 TAU 的智能交通系统，使用人工智能和无人机技术来实现自动化的交通分析和理解，可以高效准确地进行车辆检测、追踪、速度计算以及交通区域内车辆数量的计算，并且能从原始数据中提取 24 种类型的信息。

Mar, 2023

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。

Oct, 2023

本文提出了一种利用深度学习和流张量时空滤波相结合的多线索检测管道，可以高效地检测移动车辆并结合上下文信息进行语义压缩，以更好地利用空地网络链路的有限带宽。

Jul, 2019

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

提出一种统一的流水线架构，用于 UAV 上的嵌入式系统的实时检测系统，可在自主勘测和活动报告等 UAV 应用中利用领域特定知识进行空中行人检测和活动识别。

May, 2023