基于卷积神经网络的单目骑行者检测

骑行作为一种因可持续性和健康益处而日益流行的交通方式。然而，骑行者面临日益增长的风险，尤其是在道路上遇到大型车辆时。本研究旨在减少车辆与骑行者碰撞的数量，这类碰撞常由驾驶员对盲点关注不足引起。为此，我们设计了一种最先进的实时单目骑行者检测，可使用目标检测卷积神经网络（如EfficientDet Lite和SSD MobileNetV2）检测骑行者。首先，我们提出的骑行者检测模型在由超过20,000张图像组成的新提出骑行者图像数据集上微调后，达到了大于0.900 mAP（IoU: 0.5）。接着，这些模型被部署到带有摄像头模块的Google Coral Dev Board微型计算机上，并分析速度，推理时间低至15毫秒。最后，端到端骑行者检测设备在实时中测试以建模交通场景，并进一步分析性能与可行性。我们得出结论：该骑行者检测设备能够准确快速地检测骑行者，并有可能显著改善骑行者安全。未来研究可确定所提设备在汽车工业中的可行性以及随时间对骑行者安全的改善。