用于车辆计数的目标检测与跟踪算法：比较分析
计算机视觉与模式识别
2020-08-03 v1
摘要
深度学习与高性能计算领域的快速发展极大拓展了基于视频的车辆计数系统的应用范围。本文中，作者部署了多种最先进的目标检测与跟踪算法，以在其感兴趣区域（ROI）中检测和跟踪不同类别的车辆。正确检测和跟踪 ROI 中车辆的目标在于获得准确的车辆计数。应用了多种目标检测模型与不同跟踪系统相结合的组合，以评估最佳车辆计数框架。这些模型应对了不同天气条件、遮挡和低光照环境相关的挑战，并通过其计算密集的训练与反馈循环高效提取车辆信息与轨迹。所有模型组合产生的自动车辆计数结果均针对来自路易斯安那州交通与发展部的超过 9 小时交通视频数据的人工计数真值进行了验证与比较。实验结果表明，CenterNet 与 Deep SORT、Detectron2 与 Deep SORT、以及 YOLOv4 与 Deep SORT 的组合对所有车辆产生了最佳的总体计数百分比。
引用
@article{arxiv.2007.16198,
title = {Object Detection and Tracking Algorithms for Vehicle Counting: A Comparative Analysis},
author = {Vishal Mandal and Yaw Adu-Gyamfi},
journal= {arXiv preprint arXiv:2007.16198},
year = {2020}
}