論文の概要: Enhanced Vehicle Speed Detection Considering Lane Recognition Using Drone Videos in California
- arxiv url: http://arxiv.org/abs/2506.11239v1
- Date: Thu, 12 Jun 2025 19:16:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.557395
- Title: Enhanced Vehicle Speed Detection Considering Lane Recognition Using Drone Videos in California
- Title（参考訳）: カリフォルニアにおけるドローン映像を用いた車線認識を考慮した車線速度検出
- Authors: Amirali Ataee Naeini, Ashkan Teymouri, Ghazaleh Jafarsalehi, Michael Zhang,
- Abstract要約: 本研究は,約800羽の鳥眼視画像に基づいて訓練し,車両の速度検出精度を向上させるための細調整型YOLOv11モデルを提案する。
提案システムは,各車両の車線を識別し,車両を車と重車という2つのカテゴリに分類する。
- 参考スコア（独自算出の注目度）: 5.199353370336873
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increase in vehicle numbers in California, driven by inadequate transportation systems and sparse speed cameras, necessitates effective vehicle speed detection. Detecting vehicle speeds per lane is critical for monitoring High-Occupancy Vehicle (HOV) lane speeds, distinguishing between cars and heavy vehicles with differing speed limits, and enforcing lane restrictions for heavy vehicles. While prior works utilized YOLO (You Only Look Once) for vehicle speed detection, they often lacked accuracy, failed to identify vehicle lanes, and offered limited or less practical classification categories. This study introduces a fine-tuned YOLOv11 model, trained on almost 800 bird's-eye view images, to enhance vehicle speed detection accuracy which is much higher compare to the previous works. The proposed system identifies the lane for each vehicle and classifies vehicles into two categories: cars and heavy vehicles. Designed to meet the specific requirements of traffic monitoring and regulation, the model also evaluates the effects of factors such as drone height, distance of Region of Interest (ROI), and vehicle speed on detection accuracy and speed measurement. Drone footage collected from Northern California was used to assess the proposed system. The fine-tuned YOLOv11 achieved its best performance with a mean absolute error (MAE) of 0.97 mph and mean squared error (MSE) of 0.94 $\text{mph}^2$, demonstrating its efficacy in addressing challenges in vehicle speed detection and classification.
- Abstract（参考訳）: カリフォルニアにおける車両数の増加は、不適切な輸送システムとスパーススピードカメラによって推進され、効果的な車両速度検出を必要としている。
車線当たりの車線速度の検出は、車線速度の監視、速度制限の異なる車線と重車間の区別、重車に対する車線制限の実施において重要である。
以前の作業ではYOLO(You Only Look Once)を車両の速度検出に利用していたが、正確性に欠け、車線を識別できず、限定的あるいは実用的分類も提供されなかった。
本研究は, 約800羽の鳥眼視画像に基づいて訓練した YOLOv11 モデルを導入し, 車両の速度検出精度を向上させることを目的とした。
提案システムは,各車両の車線を識別し,車両を車と重車という2つのカテゴリに分類する。
交通監視と規制の要求を満たすために設計されたこのモデルは、ドローンの高さ、関心領域距離(ROI)、車両速度などの要因が検出精度と速度測定に与える影響も評価する。
北カリフォルニアから収集されたドローンの映像は、提案されたシステムを評価するために使用された。
細調整されたYOLOv11は平均絶対誤差(MAE)が0.97mph、平均二乗誤差(MSE)が0.94$\text{mph}^2$で最高性能を達成し、車両の速度検出と分類の課題に対処する効果を示した。
関連論文リスト
- Detecting Car Speed using Object Detection and Depth Estimation: A Deep Learning Framework [0.0]
オーバースピード化の傾向は通常、道路の様々な部分のチェックポイントを使って制御されるが、全ての交通警察がLIDARベースやレーダーベース銃のような既存の速度推定装置で速度をチェックする装置を持っているわけではない。
現在のプロジェクトは、ディープラーニングフレームワークを使用して速度を推定するために、携帯電話やウェアラブルカメラなどのハンドヘルドデバイスによる車両速度推定の問題に対処しようとしている。
論文 参考訳（メタデータ） (2024-08-08T10:47:02Z) - Vehicle Speed Detection System Utilizing YOLOv8: Enhancing Road Safety and Traffic Management for Metropolitan Areas [0.0]
バングラデシュでは道路事故が主要な死因の1つとなっている。
YOLOv8モデルは、密接な監督の下で訓練されたときに、より高速で精度の高いビデオ中の車を認識、追跡することができる。
論文 参考訳（メタデータ） (2024-06-11T20:45:40Z) - 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) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳（メタデータ） (2022-10-31T20:12:17Z) - A Real-Time Wrong-Way Vehicle Detection Based on YOLO and Centroid
Tracking [0.0]
誤運転は、世界中の道路事故や交通渋滞の主な原因の1つである。
本稿では,道路監視カメラによる車両自動検知システムを提案する。
論文 参考訳（メタデータ） (2022-10-19T00:53:28Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - 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) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - Vision-based Vehicle Speed Estimation for ITS: A Survey [0.47248250311484113]
近年は世界中に設置されるスピードカメラの数が増えている。
道路網における交通監視と予測は, スマートシティにおける交通, 排出, エネルギー消費の促進に不可欠な役割を担っている。
ビジョンベースのシステムの使用は、解決すべき大きな課題をもたらしますが、潜在的な大きな利点もあります。
論文 参考訳（メタデータ） (2021-01-15T15:07:54Z) - Computer Vision based Accident Detection for Autonomous Vehicles [0.0]
ダッシュボードカメラを用いて車両事故を検出する自動運転支援システムを提案する。
このフレームワークは、ダッシュカム映像のカスタムデータセットでテストされ、誤報率を低く保ちながら、高い事故検出率を達成する。
論文 参考訳（メタデータ） (2020-12-20T08:51:10Z)
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。