論文の概要: Turning Traffic Monitoring Cameras into Intelligent Sensors for Traffic Density Estimation

• arxiv url: http://arxiv.org/abs/2111.00941v1
• Date: Fri, 29 Oct 2021 15:39:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 14:08:00.178913
• Title: Turning Traffic Monitoring Cameras into Intelligent Sensors for Traffic Density Estimation
• Title（参考訳）: 交通密度推定のための交通監視カメラをインテリジェントセンサに変える
• Authors: Zijian Hu, William H.K. Lam, S.C. Wong, Andy H.F. Chow, Wei Ma
• Abstract要約: 本稿では,4L特性の未校正交通監視カメラを用いて,交通密度を推定するためのフレームワークを提案する。 提案するフレームワークは,カメラキャリブレーションと車両検出という2つの主要コンポーネントで構成されている。 その結果, カメラキャリブレーションにおける平均絶対誤差 (MAE) は6m中0.2m未満であり, 各種条件下での車両検出精度は約90%であった。
• 参考スコア（独自算出の注目度）: 9.096163152559054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate traffic state information plays a pivotal role in the Intelligent Transportation Systems (ITS), and it is an essential input to various smart mobility applications such as signal coordination and traffic flow prediction. The current practice to obtain the traffic state information is through specialized sensors such as loop detectors and speed cameras. In most metropolitan areas, traffic monitoring cameras have been installed to monitor the traffic conditions on arterial roads and expressways, and the collected videos or images are mainly used for visual inspection by traffic engineers. Unfortunately, the data collected from traffic monitoring cameras are affected by the 4L characteristics: Low frame rate, Low resolution, Lack of annotated data, and Located in complex road environments. Therefore, despite the great potentials of the traffic monitoring cameras, the 4L characteristics hinder them from providing useful traffic state information (e.g., speed, flow, density). This paper focuses on the traffic density estimation problem as it is widely applicable to various traffic surveillance systems. To the best of our knowledge, there is a lack of the holistic framework for addressing the 4L characteristics and extracting the traffic density information from traffic monitoring camera data. In view of this, this paper proposes a framework for estimating traffic density using uncalibrated traffic monitoring cameras with 4L characteristics. The proposed framework consists of two major components: camera calibration and vehicle detection. The camera calibration method estimates the actual length between pixels in the images and videos, and the vehicle counts are extracted from the deep-learning-based vehicle detection method. Combining the two components, high-granular traffic density can be estimated. To validate the proposed framework, two case studies were conducted in Hong Kong and Sacramento. The results show that the Mean Absolute Error (MAE) in camera calibration is less than 0.2 meters out of 6 meters, and the accuracy of vehicle detection under various conditions is approximately 90%. Overall, the MAE for the estimated density is 9.04 veh/km/lane in Hong Kong and 1.30 veh/km/lane in Sacramento. The research outcomes can be used to calibrate the speed-density fundamental diagrams, and the proposed framework can provide accurate and real-time traffic information without installing additional sensors.
• Abstract（参考訳）: 知的交通システム(ITS)において、正確な交通状況情報は重要な役割を担っており、信号調整や交通流予測といった様々なスマートモビリティアプリケーションに不可欠な入力である。 交通状態情報を取得する現在の慣行はループ検出器や速度カメラなどの特殊なセンサーによるものである。 多くの都市圏では、道路や高速道路の交通状況を監視するために交通監視カメラが設置されており、収集されたビデオや画像は主に交通技術者による視覚検査に使用されている。 残念ながら、交通監視カメラから収集されたデータは、4Lの特徴である低フレームレート、低解像度、注釈付きデータの欠如、複雑な道路環境にある。 したがって、交通監視カメラの大きな可能性にもかかわらず、4L特性は交通状況情報(例えば、速度、流れ、密度)の提供を妨げている。 本稿では,様々な交通監視システムに適用可能な交通密度推定問題に焦点を当てた。 私たちの知る限りでは、4l特性に対処し、交通監視カメラデータからトラフィック密度情報を抽出するための包括的枠組みが欠如している。 そこで本研究では,4l特性を有する非キャリブトトラヒック監視カメラを用いたトラヒック密度推定手法を提案する。 提案するフレームワークは,カメラキャリブレーションと車両検出という2つの主要コンポーネントで構成されている。 カメラキャリブレーション法は、画像とビデオ中の画素間の実際の長さを推定し、深層学習に基づく車両検出法から車両数を抽出する。 2つのコンポーネントを組み合わせることで、高グラニュラートラフィック密度を推定できる。 この枠組みを検証するため、香港とサクラメントで2つのケーススタディが実施された。 その結果, カメラキャリブレーションにおける平均絶対誤差(mae)は6mから0.2m以下であり, 各種条件下での車両検出精度は約90%であることがわかった。 推定密度のmaeは、香港では9.04 veh/km/lane、サクラメントでは1.30 veh/km/laneである。 研究成果は, 速度密度基本図の校正に利用することができ, 提案フレームワークは, センサを追加することなく, 正確なリアルタイム交通情報を提供できる。

関連論文リスト

• Application of 2D Homography for High Resolution Traffic Data Collection using CCTV Cameras [9.946460710450319]
  本研究では,CCTVカメラから高精細なトラフィックデータを抽出するための3段階のビデオ分析フレームワークを実装した。 このフレームワークの主要な構成要素は、オブジェクト認識、視点変換、車両軌道再構成である。 その結果, カメラ推定値間の速度偏差は10%以下で, 方向トラフィック数では+/-4.5%の誤差率を示した。
  論文  参考訳（メタデータ） (2024-01-14T07:33:14Z)
• Vision-Based Incoming Traffic Estimator Using Deep Neural Network on General Purpose Embedded Hardware [0.0]
  不適切な交通管理は、国家の燃料、時間、生産性を無駄にする。 ディープニューラルネットワーク(DNN)は、各画像のトラフィック強度をリアルタイムで推測するように訓練された。 システムはRaspberry Piのシングルボードコンピュータで実装された。
  論文  参考訳（メタデータ） (2023-10-28T23:33:00Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• Traffic Scene Parsing through the TSP6K Dataset [109.69836680564616]
  高品質なピクセルレベルのアノテーションとインスタンスレベルのアノテーションを備えた,TSP6Kと呼ばれる特殊なトラフィック監視データセットを導入する。 データセットは、既存の運転シーンの何倍ものトラフィック参加者を持つ、より混雑した交通シーンをキャプチャする。 交通シーンの異なるセマンティック領域の詳細を復元するシーン解析のためのディテールリフィニングデコーダを提案する。
  論文  参考訳（メタデータ） (2023-03-06T02:05:14Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Scalable and Real-time Multi-Camera Vehicle Detection, Re-Identification, and Tracking [58.95210121654722]
  理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。 私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
  論文  参考訳（メタデータ） (2022-04-15T12:47:01Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Traffic-Net: 3D Traffic Monitoring Using a Single Camera [1.1602089225841632]
  我々は,1台のCCTVトラヒックカメラを用いたリアルタイムトラヒック監視のための実用的なプラットフォームを提供する。 車両・歩行者検出のためのカスタムYOLOv5ディープニューラルネットワークモデルとSORT追跡アルゴリズムの改良を行った。 また、短時間・長期の時間的ビデオデータストリームに基づく階層的なトラフィックモデリングソリューションも開発している。
  論文  参考訳（メタデータ） (2021-09-19T16:59:01Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Identifying High Accuracy Regions in Traffic Camera Images to Enhance the Estimation of Road Traffic Metrics: A Quadtree Based Method [6.806631895111045]
  クワッドツリーに基づくアルゴリズムが開発され、高い検出精度の領域だけが残るまで画像範囲を連続的に分割する。 本研究では,中央オハイオの異なる高さと解像度の交通カメラ画像を用いて,HAIRを用いた交通密度推定の精度向上を実証する。
  論文  参考訳（メタデータ） (2021-06-26T15:46:45Z)
• HOG, LBP and SVM based Traffic Density Estimation at Intersection [4.199844472131922]
  車両の大量輸送は交通渋滞、不要な遅延、汚染、損失、健康問題、事故、緊急車両の通行、交通違反を引き起こす。 従来の交通管理・制御システムではこの問題に対処できない。 交通流の効率を高めるために最適化された、賢明な制御システムが必要である。
  論文  参考訳（メタデータ） (2020-05-04T18:08:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。