論文の概要: Real-Time Vehicle Detection and Urban Traffic Behavior Analysis Based on
UAV Traffic Videos on Mobile Devices
- arxiv url: http://arxiv.org/abs/2402.16246v1
- Date: Mon, 26 Feb 2024 02:09:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 14:56:18.123325
- Title: Real-Time Vehicle Detection and Urban Traffic Behavior Analysis Based on
UAV Traffic Videos on Mobile Devices
- Title（参考訳）: モバイル端末におけるUAVトラフィック映像に基づくリアルタイム車両検出と都市交通行動解析
- Authors: Yuan Zhu, Yanqiang Wang, Yadong An, Hong Yang, Yiming Pan
- Abstract要約: 本稿では,ドローン技術,iOS開発,深層学習技術を統合し,モバイル端末上での交通映像取得,物体検出,物体追跡,交通行動解析機能を統合する。
車両物体検出は精度98.27%、リコール率87.93%に達し、リアルタイム処理能力は毎秒30フレームで安定している。
- 参考スコア（独自算出の注目度）: 14.30857727025523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper focuses on a real-time vehicle detection and urban traffic
behavior analysis system based on Unmanned Aerial Vehicle (UAV) traffic video.
By using UAV to collect traffic data and combining the YOLOv8 model and SORT
tracking algorithm, the object detection and tracking functions are implemented
on the iOS mobile platform. For the problem of traffic data acquisition and
analysis, the dynamic computing method is used to process the performance in
real time and calculate the micro and macro traffic parameters of the vehicles,
and real-time traffic behavior analysis is conducted and visualized. The
experiment results reveals that the vehicle object detection can reach 98.27%
precision rate and 87.93% recall rate, and the real-time processing capacity is
stable at 30 frames per seconds. This work integrates drone technology, iOS
development, and deep learning techniques to integrate traffic video
acquisition, object detection, object tracking, and traffic behavior analysis
functions on mobile devices. It provides new possibilities for lightweight
traffic information collection and data analysis, and offers innovative
solutions to improve the efficiency of analyzing road traffic conditions and
addressing transportation issues for transportation authorities.
- Abstract（参考訳）: 本稿では,無人航空機(UAV)の交通映像に基づくリアルタイム車両検出と都市交通行動分析システムについて述べる。
UAVを用いてトラフィックデータを収集し、YOLOv8モデルとSORT追跡アルゴリズムを組み合わせることにより、iOSモバイルプラットフォーム上でオブジェクトの検出と追跡機能を実装する。
交通データ取得・分析の問題に対して,車両のマイクロトラフィックパラメータおよびマクロトラフィックパラメータをリアルタイムに処理し,リアルタイムトラフィック挙動解析を行い,可視化する。
実験の結果,車両の物体検出精度は98.27%,リコール率87.93%,リアルタイム処理能力は30フレーム/秒で安定であることが判明した。
この研究は、ドローン技術、ios開発、ディープラーニング技術を統合し、モバイルデバイス上でのトラヒックビデオ取得、オブジェクト検出、オブジェクト追跡、トラヒック行動分析機能を統合する。
軽量な交通情報収集とデータ分析の新たな可能性を提供し、道路交通状況の分析と交通機関の交通問題に対処するための革新的なソリューションを提供する。
関連論文リスト
- Leveraging Multimodal-LLMs Assisted by Instance Segmentation for Intelligent Traffic Monitoring [6.648291808015463]
本研究では,リアルタイムQuanser Interactive Labシミュレーションプラットフォーム上でのトラフィック監視作業にLLaVAビジュアルグラウンド・マルチモーダル大言語モデル(LLM)を利用する。
複数の都市に設置されたカメラはシミュレーションからリアルタイムの画像を収集し、LLaVAモデルに入力して分析を行う。
このシステムは、車両の位置を認識する精度が84.3%、ステアリング方向が76.4%で、従来のモデルを上回っている。
論文 参考訳（メタデータ） (2025-02-16T23:03:26Z) - Interaction Dataset of Autonomous Vehicles with Traffic Lights and Signs [11.127555705122283]
本稿では,自動走行車(AV)と交通制御装置,特に信号機と停止標識の相互作用を総合的に把握するデータセットの開発について述べる。
我々の研究は、AVがこれらの交通制御装置をどのようにナビゲートするかの実際の軌跡データを提供することによって、既存の文献における重要なギャップに対処する。
本研究では,交通信号を用いた37,000以上のインスタンスと,停止標識を用いた44,000のインスタンスを組み込んで,関連する対話軌跡データをMotionデータセットから同定し抽出する手法を提案する。
論文 参考訳（メタデータ） (2025-01-21T22:59:50Z) - Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。
提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。
提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
論文 参考訳（メタデータ） (2022-08-12T19:07:20Z) - 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) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - 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) - Learning Traffic Speed Dynamics from Visualizations [3.0969191504482243]
時空の可視化からマクロ交通速度のダイナミクスを学習する深層学習法を提案する。
既存の推定手法と比較して,より詳細な推定解決が可能となる。
次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
論文 参考訳（メタデータ） (2021-05-04T11:17:43Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z)
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。