车辆行为识别应用现状

简介: 近年来,随着汽车行业的日益更新和人工智能的快速发展,无人驾驶技术受到广泛的推广和应用。无人驾驶的环境感知是实现车辆安全有效驾驶的必备技术,通过车载摄像头记录车辆周围视觉环境数据,识别出周围车辆和障碍物的信息从而执行相应操作。

     近年来,随着人工智能的发展和城市交通系统的完善,基于视频的车辆行为识别成为一个全新的命题进入人们的视野。车辆行为识别可以作为辅助技术应用到无人驾驶领域和交通监控场景中,使用范围广泛。目前在车辆识别领域的研究中,主要的研究对象为交通系统中的车辆,按照不同的视频场景可以分为两大类,一类是动态背景下的车辆行为识别,如下图(a)所示,识别数据主要来自于行车记录仪,根据车载摄像头记录的视频内容,判断周围环境中其他车辆与当前车量的相对位置,进而指导当前车辆做出动作,主要用于驾驶行为决策。另一类是静态背景下的车辆行为识别,识别数据主要来自道路上固定摄像头下的监控画面,如下图(b)所示,这类车辆行为识别方法会结合轨迹或场景进行分析,主要判断车辆是否违反交规,或通过大数据来进行交通系统的安全分析。

]2@I%JB3C@OLF}2~[~BXFW5.png

      对于施工场景中的工程车辆行为识别问题,由于工程车辆种类繁多,动作模式各不相同,难以有统一的标准,因此目前这方面的研究较少。除此之外,在视频行为识别领域的方法大都基于完整的 RGB 图像,一个视频数据只能推理出一个动作类别。但对于所讨论的工程监控场景中,视频中经常会出现多类工程车辆,因此需要借助目标检测和多目标跟踪方法。传统目标检测算法主要包括 3 个步骤,首先通过滑动窗口提取先验框,其次针对先验框进行特征提取和特征选择,最后对选择到的特征进行分类。在这种方法中,滑动窗口的大小和滑动策略会影响特征提取质量。针对这种传统算法精度低的问题,Girshick 等人首次提出将基于区域的卷积网络(Region Based Convolutional Neural Network,R-CNN)应用于目标检测中,R-CNN 使得 VOC2007 数据集上的检测精度(Mean Average Precision,mAP)从 29.2%提升到 66.0%。在这之后 R-CNN 系列的到了长足发展,精度也得到了进一步提高,由于 R-CNN 这样的两阶段检测器需要在检测前生成大量待检测的候选区域(Region Proposal),因此在速度上具有一定劣势。而之后出现的单阶检测器解决了这一问题,如 SSD(Single Shot MultiBox Detector)和 YOLO(You Only Look Once)系列,无需像 R-CNN 系列那样生成候选框就能进行直接的图像分类和边框回归,更加高效快速。各类目标检测算法在不断发展中速度和精度也在不断提高,逐渐在智能监控、机器人行为控制、航天航空等领域得到了广泛应用。

      针对高后果区油气管线巡检中的安全问题,我国也研究出了一些新的应对方案。如通过智能管理系统在网络端统一管理,或通过机器人巡检等方案来提高管线安全性,而针对巡检过程中工程车施工安全问题的研究尚少。

相关文章
|
人工智能 架构师 云计算
阿里云×典名科技首场城市服务商招募会落地西安
9月20日,“阿里云×典名科技城市服务商招募会”在西安隆重召开,会上发布了城市服务商伙伴业务支持计划。该计划旨在深度宣传和落地“伙伴优先”战略,吸纳更多优秀合作伙伴加入阿里云生态。
|
JavaScript 前端开发
uniapp获取时间年月日
uniapp获取时间年月日
444 0
|
人工智能 计算机视觉
Dataset之BDD100K:BDD100K数据集的简介、下载、使用方法之详细攻略
Dataset之BDD100K:BDD100K数据集的简介、下载、使用方法之详细攻略
Dataset之BDD100K:BDD100K数据集的简介、下载、使用方法之详细攻略
|
11月前
|
机器学习/深度学习 数据可视化 JavaScript
|
9月前
|
人工智能 前端开发 数据可视化
2024年低代码趋势洞察——企业最看重的功能有哪些
低代码平台正从“可选”工具转变为数字化转型的“必需品”。预计到2024年,全球超70%企业将引入低代码开发工具。其优势在于简化流程、提高效率和降低成本,支持可视化开发、多人协作、快速部署与五大核心引擎(SQL、功能、模板、图表、切面),并结合AI智能助力全流程优化。此外,丰富的插件生态和强大的技术架构保障了灵活性与性能,助力企业在复杂业务场景中实现高效运营与决策。
|
机器学习/深度学习 JSON 物联网
ChatGLM-6B 部署与 P-Tuning 微调实战
自从 ChatGPT 爆火以来,树先生一直琢磨想打造一个垂直领域的 LLM 专属模型,但学习文本大模型的技术原理,从头打造一个 LLM 模型难度极大。。。
3140 1
|
机器学习/深度学习 数据可视化
【tensorboard】深度学习的日志信息events.out.tfevents文件可视化工具
【tensorboard】深度学习的日志信息events.out.tfevents文件可视化工具
|
11月前
|
机器学习/深度学习 并行计算 PyTorch
深度学习环境搭建笔记(一):detectron2安装过程
这篇博客文章详细介绍了在Windows环境下,使用CUDA 10.2配置深度学习环境,并安装detectron2库的步骤,包括安装Python、pycocotools、Torch和Torchvision、fvcore,以及对Detectron2和PyTorch代码的修改。
2289 1
深度学习环境搭建笔记(一):detectron2安装过程
|
10月前
|
JSON API 数据格式
携程API接口系列,酒店景点详情请求示例参考
携程API接口系列涵盖了酒店预订、机票预订、旅游度假产品预订、景点门票预订等多个领域,其中酒店和景点详情请求是较为常用的功能。以下提供酒店和景点详情请求的示例参考
|
设计模式 测试技术 持续交付
软件质量与维护
【8月更文第22天】在软件开发周期中,软件的质量和维护是非常重要的两个方面。软件质量直接影响着用户体验和系统的可靠性,而软件维护则是确保软件长期稳定运行的关键。本文将详细介绍软件质量的概念、软件质量模型、质量保证与质量控制的过程,以及软件维护的类型和过程,并探讨如何提高软件的可维护性。
674 0