Faster R-CNN在车辆视频目标检测的应用

近年来,解决交通拥堵问题已经成为交通管理方面的重要任务,车辆检测与识别的广泛应用也是解决交通拥堵问题的常用方式之一。基于卷积神经网络的Faster R-CNN逐渐成为一种重要的图像目标检测和识别方法。该算法检测精度高、限制小,因此受到了广泛的关注。目前常用的算法模型均是基于模型本身参数的修正,很少涉及网络结构以外的改进方式。文章对Faster R-CNN车辆目标检测方法的网络结构改进、锚框提取改进及候选框参数修正方法进行论述,特别是对数据集预处理后再训练能提高效率。经过改进的方法不仅能使网络结构轻量化,也增加了网络的泛化能力,使Faster R-CNN能完成更复杂的交通环境检测任务,并且识别精度也得到了显著提升。

基于多因素的公路弯道停车视距计算模型研究

为了厘清弯道路段相关线形参数对停车视距的影响,在对弯道路段车辆行驶动力学分析的基础上,建立以制动初速度、平曲线半径、弯道超高、弯道纵坡及道路附着系数为自变量的弯道路段车辆制动模型;结合驾驶人和车辆的反应时间,根据运动学原理,构建弯道路段车辆安全停车视距修正模型,通过数值分析,提出弯道路段车辆停车视距计算方法,并将弯道路段车辆停车视距计算结果与《公路路线设计规范》规定值进行对比。结果表明,随着弯道纵坡坡度、超高的增大及弯道半径的减小,停车视距逐渐增加;模型计算值普遍大于规范规定值,特别是在高车速时二者的差别较大。

基于深度学习的转弯车流量检测方法

为方便统计转弯车流量,并提升交叉口转弯车流量的检测速度与精度,提出基于深度学习的方法对城市交叉口转弯车流量进行检测、跟踪和计数。首先,通过对比分析选用轻量高效的YOLOv5s作为目标检测框架,并采用无人机(unmanned aerial vehicle,UAV)航拍方式获取城市交叉口交通流视频,自建车辆航拍图像数据集;利用预训练权重及最新权重文件完成自建数据集的训练与推理;模型评估表明,基于YOLOv5的车辆检测模型具有较高的检测速度与精度:其中模型的box_loss值迅速下降并稳定在0.038,mAP_0.5值迅速上升并保持在0.91附近;之后,对接DeepSORT模型作为后端多车辆跟踪算法,通过坐标转换以简化车辆轨迹提取,并对行驶轨迹线展开有效性判断;针对检测框角点跃变现象,提出角点-质心点坐标变换以强化轨迹点的坐标信息鲁棒性,且采用六次多项式拟合车辆轨迹线,将不满足函数映射要求的轨迹线进行旋转优化,以正常拟合全部轨迹;最后根据预设的转弯角度判定阈值,实现转弯车辆的检测与计数。为验证所提出的转弯车流量检测方法的有效性,以某一城市交叉口为例进行车辆检测实验,对比分析人工计数值和本方法检测结果。结果表明:4个流向平均检测精度为92.9%,最高可达95.7%,能够满足实际交叉口场景转弯车流量的常规检测要求。