deep-learning - 基于深度学习的交通密度估计
问题描述
我正在开展一个实施深度学习和计算机视觉的项目,以估计任何随机给定路段/环形交叉路口或交叉路口的交通密度。
我有一个安装在无人机上的摄像头,它将捕捉交通镜头,我的目标是实时提取车辆和道路场景(图像分割)以计算密度。
问题是计算交通密度的原始公式是车辆数量/道路单位长度,而使用目前的方法和资源,我无法测量长度,而只能测量车辆和道路/人行道覆盖的面积。我可以将交通密度计算为车辆面积/道路面积吗?如果没有,谁能建议我一种通过在任何路段(直线/曲线)上自动进行深度学习来测量道路长度的方法。
我读过很多论文提到估计交通流量而不是密度来获得交通状况的方法。但是,我发现无法从交通流量中推断出道路是否拥堵(流量 = 0 可能意味着交通繁忙或根本没有交通)。此外,他们中的一些人可以测量道路的长度,因为他们在灯柱上安装了一个静态摄像头,这使得背景是静态的,他们可以很容易地手动计算道路的像素长度。或者,我使用无人机在任何地方自动获取交通数据,因此无法测量道路的长度。
解决方案
对于您的问题,我认为语义分割可能会更好。据我了解,您想计算包含道路的图像与车辆图像的比率。您可以使用语义分割来找出属于每个类别(即道路和车辆)的像素数量,然后使用这些像素的比率作为您想要的指标的代表。
推荐阅读
- php - safari 下载文件而不是打开页面
- amazon-web-services - 从 s3 下载对象时为空字符
- node.js - 使用 NodeJS/ExpressJS 从 REST API 流式传输大型 JSON
- linux - 通过powershell检查远程linux机器中服务状态的语法
- hibernate - 在 intelliji 中生成持久性映射,错误“无法解析‘字符串’”
- r - R 代码 (Rstats) 根据长格式数据中的列计算失业率
- azure - 将对 Azure 静态 Web 应用程序的访问限制为单个租户
- angular - 无法绑定到“kendoDropDownTreeHierarchyBinding”,因为它不是“kendo-dropdowntree”的已知属性
- python - 导入库失败:在机器人框架中
- php - 自定义 WooCommerce 单品分享图标