基于 Faster R-CNN 深度学习方法的车辆智能交通管理
计算机视觉与模式识别
2023-11-20 v1 人工智能
图像与视频处理
摘要
过去几个世纪以来，随着全球文明的持续增长与城市现代化，车辆智能交通管理是研究界最亟待解决的问题之一。它是计算机视觉与人工智能领域中的一个具有挑战性的问题。智能交通管理基本涉及车辆分割、交通密度估计与车辆跟踪。从交通视频中分割车辆有助于实现诸如速度监测与交通估计等细分应用。当存在遮挡、杂乱背景以及密度变化的交通时，该问题变得更加难以解决。出于此动机，在本研究工作中，我们探究基于 Faster R-CNN 的深度学习方法用于车辆分割。该问题通过四个步骤解决，即自适应背景模型最小化、基于 Faster R-CNN 的子网操作、Faster R-CNN 初始细化，以及利用扩展拓扑活动网（extended topological active nets）的结果优化。该计算框架使用了自适应背景建模的思想，还解决了阴影与光照相关问题。通过拓扑活动网可变形模型实现了更高的分割精度。拓扑与扩展拓扑活动网有助于实现所述形变。网格形变通过能量最小化实现。分割精度通过改进版扩展拓扑活动网得以提升。实验结果证明了该计算框架的优越性。
引用
@article{arxiv.2311.10099,
title = {Smart Traffic Management of Vehicles using Faster R-CNN based Deep Learning Method},
author = {Arindam Chaudhuri},
journal= {arXiv preprint arXiv:2311.10099},
year = {2023}
}
备注
Book Chapter