实时深度学习车辆和行人检测与分析
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
这项研究探讨了单阶段和两阶段的 2D 目标检测算法,例如 You Only Look Once (YOLO) 和 Real-Time DEtection TRansformer (RT-DETR) 算法在奥地利道路的自动化目标检测中的应用,以提高道路安全性。该研究利用奥地利道路上的图像和视频构建了选择性数据集,涵盖了城市、农村和高山环境,并针对奥地利道路的独特挑战进行了定制化的目标检测方法。
Dec, 2023
近期,随着计算机视觉的不断进步,自动驾驶很可能很快将成为现代社会的一部分。然而,仍然有许多需要解决的问题。本研究评估了我们先前提出的高效行人检测器 LSFM 在多样化的天气条件和夜间场景等经典自动驾驶测试中的稳健性,并将其扩展应用于交通场景中实时物体检测,同时提出了适用于自动驾驶的更合适的实时性能指标。
Jan, 2024
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
本篇论文提出一个基于深度学习的行人检测系统,通过分析和优化检测流程的每一步,我们提出了一种优于传统方法的架构,在保持低计算时间情况下实现了接近先进方法的任务准确性,并在 NVIDIA Jetson TK1 上测试了该系统。
Oct, 2015
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
本文提出了一种基于图像序列的单目 RGB 相机的实时框架,使用区别于基线方法的跟踪 - 检测技术和创新的时空 DenseNet 模型识别、跟踪和预测行人在城市交通环境中的意图和动作,以实现对自主地面车辆行为的理解。实验表明,该方法在实时性和效果方面比其他基线方法更具鲁棒性和竞争力,平均精度得分为 84.76%,帧率为 20FPS。
Apr, 2019
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
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
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