最佳感兴趣区域下的实时车道交通监控
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
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
利用人工智能从高分辨率航拍影像中自动提取出 FL 州公路的地理特征,并与地面实测数据对比,平均准确率达到了 80.4%,提供了有价值的洞察力给政策制定者和道路使用者。
Jun, 2024
该研究实施了一个三阶段的视频分析框架,用于从道路上的摄像头提取高分辨率的交通数据,关键组成部分包括目标识别、透视转换和车辆轨迹重建,可以用于改善交通管理、识别危险驾驶行为以及减少事故和伤亡风险。
Jan, 2024
采用基于 Top View 的方法,通过选择性定向高斯滤波来筛选,利用 RANSAC 线段拟合提供初始化,然后使用 Bezier 样条快速 RANSAC 算法进行拟合,再通过后处理提取城市道路中所有车道线信息,成功率达到同类方法的可比水平,帧率达到 50 Hz。
Nov, 2014
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
介绍了一个包括 234 个高清摄像头记录的多摄像头跟踪数据集,从纳什维尔市附近的一段 8-10 车道长约 4.2 英里的高速公路同时录制了 234 小时的视频数据。该数据集包含高密度交通状况下的 500 + 个物体,典型物体持续时间为 3-15 分钟。通过手动校正车辆行驶场景中的 GPS 轨迹,为跟踪评估提供了一组地面真实轨迹,并为每个摄像头提供了物体检测结果。初步对检测跟踪算法进行了基准测试,结果表明在长时空间范围内进行交通场景理解所需的跟踪性能不足。
Sep, 2023
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
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
提出了在车辆环境中通过提高端到端视频传输质量来加强车辆应用中对视频获取和处理的依赖的算法。通过在 IEEE 802.11p MAC 层应用感兴趣区域 (ROI) 视觉数据包的自适应跨层映射,优先处理基于驾驶环境感知的场景 ROI 部分。在实际 VANET 仿真结果中,对于 HEVC 压缩视频通信,提出的系统在 ROI 部分提供了高达 11dB 的峰值信噪比增益。
Nov, 2023