Detailergebnis zu DOK-Nr. 77951
Ein Fahrzeugzählsystem mit Deep Learning und Multi-Objektverfolgungsmethoden (Orig. engl.: Vehicle counting system using deep learning and multi-object tracking methods)
| Autoren |
H. Liang H. Song H. Li Z. Dai |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 5.1 Autobahnen 6.1 Verkehrserhebungen, Verkehrsmessungen |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2674, H. 4, 2020, S. 114-128, 6 B, 6 T, 32 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Die Verwendung von Deep-Learning-Technologien und Multi-Objekt-Tracking-Methoden zur genauen Zählung von Fahrzeugen unter verschiedenen Verkehrsbedingungen ist ein wichtiges Forschungsthema im Bereich des intelligenten Verkehrs. In dem Beitrag wird zunächst ein Fahrzeugdatensatz aus der Perspektive von Autobahnüberwachungskameras erstellt und das Fahrzeugerkennungsmodell wird durch Training mit dem "You Only Look Once"-Netwerk (YOLO), Version 3 erhalten. Auch wird ein verbesserter Multi-Skalen- und Multi-Feature-Tracking-Algorithmus auf der Grundlage eines Kernel-Korrelationsfilter-Algorithmus (KCF) vorgeschlagen, um zu vermeiden, dass der KCF einzelne Features und Single-Skalen-Fehler extrahiert. Durch die Kombination des Ähnlichkeitsmaßes "intersection over union" (IoU) und des in dem Artikel vorgeschlagenen optimalen Assoziationskriteriums "row-column" wird eine Matching-Strategie verwendet, um nicht erkannte und falsch erkannte Fahrzeuge zu verarbeiten und so vollständige Fahrzeugtrajektorien zu erhalten. Schließlich wird anhand der Fahrzeugtrajektorie automatisch die Fahrtrichtung des Fahrzeugs bestimmt und die Position der Erkennungslinie automatisch aktualisiert, um das genaue Ergebnis der Fahrzeugzählung zu erhalten. Die Experimente wurden in einer Vielzahl von Verkehrsszenen durchgeführt und mit veröffentlichten Daten verglichen. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode eine hohe Genauigkeit bei der Fahrzeugerkennung erreicht, während sie gleichzeitig die Genauigkeit und Präzision bei der Verfolgung mehrerer Objekte beibehält und genaue Fahrzeugzählungsergebnisse erzielt, die den Anforderungen der Echtzeitverarbeitung entsprechen. Der in der Arbeit vorgestellte Algorithmus ist für die Fahrzeugzählung in komplexen Autobahnszenen praktisch anwendbar.