基于改进YOLOv5和DeepSort的交通流参数检测方法

为缓解基于视频的交通流参数检测效果差的问题,提出了基于改进YOLOv5s和DeepSort的实时交通流参数检测方法。首先,在YOLOv5s中引入MobilenetV3和SIoU Loss来轻量化检测模型,提高检测速度。其次,重构Deep⁃Sort外观特征提取网络,并基于车辆重识别数据集重训练,提高跟踪准确率。最后,基于虚拟检测线圈的方式检测双向交通流量和车速。实验结果表明:方法整体运行速度可达59帧/s,在平峰、高峰时段的检测准确率均在92%以上,在实际交通流参数检测任务中具有较强的鲁棒性。

基于视频的交通流参数检测

随着经济的发展,如何保障交通的畅通与安全已成为当今世界的热点研究课题之一。基于视频的交通流参数检测系统具有直观、安装简便、费用低等优点,它代表了车辆检测器的发展方向。简要介绍了视频车辆检测在智能交通系统中的应用,给出了基于视频的交通流参数检测的常用方法,以及检测系统提取的主要交通流参数,分析了影响检测精度的因素和提高精度的相应对策。

基于车型聚类的交通流参数视频检测

单目摄像机成像丢失深度信息,且PTZ(Pan/Tilt/Zoom)摄像视频场景多变,导致交通流参数提取误差较大.提出了一种基于车型聚类的交通流参数检测方法.在改进的摄像机自标定成像模型中,提取PTZ参数变化下的透视投影不变量"伪形状特征",对其进行基于贡献率算法的车型聚类分析,以车型均高代替实际高度,获取车辆的长宽,进而计算道路空间占有率,并提升车速检测精度.测试表明实时性较高,车型聚类自适应于不同场景,平均准确度为96.9%,车长计算精度优于90%.

基于车辆方波脉冲时序图的交通流参数实时检测算法

提出一种基于车辆方波脉冲时序图的交通流参数实时检测算法,克服了现有方法易受光线变化及天气影响、运算量大等缺陷,提高了实时交通流参数检测的准确率,为智能交通系统提供有力支撑。研究基于虚拟检测线,将交通监控视频降维处理为包含时间和空间信息的时空图,而后对时空图进行前景提取,生成二值化时空图的垂直投影,针对像素累积图设计了系统性去噪及车辆对象识别方法,进而生成车辆方波脉冲时序图,实时检测出车流量、车头时距、时间占有率、车辆速度并进行车辆分类。分析结果表明,所提出的方法能克服雨雪天气、夜晚光线等干扰,快速而准确地进行多车道交通流参数获取,计算负荷小,方法准确率高达97.32%,可满足智能交通系统对交通流参数检测实时性和精度的要求。

基于时空轨迹跟踪的交通流特性参数检测分析

基于视频的交通流检测在智能交通系统中具有重要意义.本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法.首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost(Adaptive Boosting,自适应增强)分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数.实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持.