智能交通系统中的实时车辆检测,跟踪和速度测量的多阶段深度学习方法

科学领域:

• 智能运输系统 (ITS) 是一种智能运输系统.
• 计算机视觉 计算机视觉
• 深度学习应用程序

背景情况:

• 准确的车辆检测,跟踪和重新识别对于实时监控,拥堵管理和智能交通安全至关重要.
• 交通繁忙的高速公路环境对现有的交通流模式构成重大挑战,原因是复杂性和堵塞.

研究的目的:

• 提出一个多阶段的流量模型,将深度学习和指标学习集成在一起,以便在高速公路环境中进行增强的车辆分析.
• 提高车辆检测,跟踪和重新识别的准确性和稳定性,特别是在拥堵和复杂的交通条件下.

主要方法:

• 使用分段任何模型 (SAM) 进行车辆检测,并使用语言提示来实现自动分段和适应性.
• 车辆跟踪采用StrongSORT算法与基于面具的跟踪,以提高连贯性和阻塞弹性.
• 通过PP-OCR提取时间,用于多视角测速,并与重新识别相结合,用于精确的多摄像头跟踪.

主要成果:

• 拟议的模型在高密度和具有挑战性的交通条件下明显优于最先进的方法.
• 实现了更高的平均精度 (mAP) 和跟踪精度,证明了更好的性能.
• 该模型表现出强度和适合于现实世界的智能运输系统应用.

结论:

• 集成的深度学习和度量学习方法为智能运输中的复杂车辆分析提供了强大的解决方案.
• 该模型的适应性和准确性使其成为高速公路实时交通监控和管理的宝贵工具.