Оценка плотности трафика с глубоким обучением
Я работаю над проектом, реализующим глубокое обучение и компьютерное зрение, чтобы оценить интенсивность движения на любом произвольно заданном участке дороги / кольцевой развязке или перекрестке.
Мне дают камеру, установленную на дроне, которая будет снимать отснятый материал, и я стремлюсь извлекать из него транспортные средства и дорожную сцену (сегментацию изображения) в режиме реального времени для расчета плотности.
Проблема заключается в том, что первоначальная формула для расчета плотности движения представляет собой количество транспортных средств / единицу длины дороги, в то время как при нынешнем методе и ресурсах я не мог измерить длину, а только площадь, на которой находятся транспортные средства и покрытие дороги / тротуара. Можно ли рассчитать плотность движения как площадь транспортных средств / площадь дороги? Если нет, может кто-нибудь предложить мне метод измерения длины дороги путем автоматического глубокого обучения на любом участке дороги (прямая / кривая).
Я прочитал много статей, в которых упоминается подход оценки потока трафика, а не плотности, чтобы получить статус трафика. Тем не менее, я обнаружил, что невозможно определить из транспортного потока, что дорога перегружена или нет (поток = 0 может означать интенсивное движение или отсутствие движения вообще). Кроме того, некоторые из них могут измерять длину дороги, потому что они устанавливают статическую камеру на световом столбе, что делает фон статичным, и они могут легко рассчитать длину в пикселях дороги вручную. В качестве альтернативы, я использую дрон, чтобы получать данные о дорожном движении автономно в любом месте, поэтому измерение длины дороги невозможно.
0 ответов
Для вашей проблемы, я думаю, семантическая сегментация может работать лучше. Из того, что я понимаю, вы хотите рассчитать соотношение изображения, содержащего дорогу, к изображению транспортных средств. Вы можете использовать семантическую сегментацию, чтобы узнать количество пикселей, принадлежащих каждому из классов, т. Е. Дорог и транспортных средств, а затем использовать соотношение этих пикселей в качестве представителя желаемой метрики.