基于无人机的智能交通监控使用循环神经网络和Swin变压器用于动态环境
Mohammed Alshehri1, Ting Wu2, Nouf Abdullah Almujally3
1Department of Computer Science, King Khalid University, Abha, Saudi Arabia.
Frontiers in neurorobotics
|October 29, 2025
概括
本研究介绍了一种智能无人机 (UAV) 系统,用于实时交通监控. 神经框架有效地检测,分类和跟踪车辆,增强城市移动性和安全性.
科学领域:
- 机器人和人工智能 机器人和人工智能
- 计算机视觉 计算机视觉
- 城市规划 城市规划
背景情况:
- 城市交通拥堵和道路安全问题需要先进的监控解决方案.
- 无人驾驶飞行器 (UAV) 为监控复杂的城市环境提供了灵活,高优势的机会.
- 现有的航空图像分析面临着诸如变化的车辆运动,尺度和空间不一致等挑战.
研究的目的:
- 开发基于无人机的神经框架,用于智能实时交通监控.
- 为了解决飞行器检测,分类和跟踪方面的局限性.
- 为资源有限的无人机平台创建一个高效的系统.
主要方法:
- 一个多阶段的管道,具有对比度增强和基于区域的聚类,以优化细分.
- 用于车辆检测的循环神经网络 (RNN),通过混合损失功能进行优化.
- 独立的神经子模块用于车辆分类 (SURF,BRISK,Swin变压器) 和多对象跟踪 (DeepSORT).
主要成果:
- 在基准数据集 (AU-AIR,UAVDT,VAID) 中检测精度高 (0.913-0.930).
- 强大的跟踪精度 (0.881-0.901) 通过合并的运动和外观特征实现.
- 准确的车辆分类,准确度在91.25%至92.75%之间.
结论:
- 拟议的架构证明了空中交通监控的适应性,稳定性和实时可行性.
- 综合神经框架显著提升了基于无人机的交通监控.
- 该系统支持智能城市倡议和智能移动的未来发展.
